Vous êtes sur la page 1sur 142

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE


SCIENTIFIQUE

UNIVERSITE M’HAMED BOUGARA BOUMERDES

FACULTE DES SCIENCES DE L’INGENIEUR

DEPARTEMENT DE TECHNOLOGIE ALIMENTAIRE


LABORATOIRE DE RECHERCHE DE TECHNOLOGIE ALIMENTAIRE

RESUME DE MAGISTER
Option : Génie Alimentaire

Etude comparative de deux techniques de séchage


(convection et micro-onde) par application des
plans d'expérience. Cas du fruit de datte

Réalisé par : Mlle CHEKROUNE Malika

Devant le jury :

Mr BENCHABANE Ahmed Maître de conférences (classe A) INA Président de jury


Mr NOURI L’hadi Maître de conférences (classe A) UMBB Examinateur
Mr YAHI Mustapha Maître assistant (classe A) USTHB Examinateur
Mme AMELLAL Hayet Maître de conférences (classe B) UMBB Examinateur
Mr BENAMARA Salem Professeur UMBB Promoteur

Année universitaire : 2008/2009


‫ﻣﻠﺨﺺ‬

‫هﺬا اﻟﻌﻤﻞ ﻳﺮﺗﻜﺰ ﻋﻠﻰ اﻟﺘﻤﺜﻴﻞ اﻟﺮﻳﺎﺿﻲ ﻟﺘﻘﻨﻴﺘﻴﻦ ﻟﺘﺠﻔﻴﻒ اﻟﺘﻤﺮ ﻧﻮع " ﻡﺶ دﻗﻠﺔ" ) ﺗﺠﻔﻴﻒ‬

‫إﺗﻔﺎﻗﻲ و ﺗﺠﻔﻴﻒ ﺑﺈﺳﺘﻌﻤﺎل‪ W‬اﻟﻤﻴﻜﺮوأوﻧﺪ(‪ ،‬و ذﻟﻚ ﺑﺘﻄﺒﻴﻖ‪ W‬اﻟﻤﺨﻄﻂ اﻟﺘﻌﺎﻡﻠﻲ اﻟﻜﺎﻡﻞ ‪ 24.‬اﻟﺘﻐﻴﺮ اﻟﻔﺮق‬
‫اﻟﻜﻠﻲ ﻟﻠﻮن ) (‪ *dE‬أﺙﻨﺎء اﻟﺘﺠﻔﻴﻒ درس أﻳﻀﺎ ) ﺑﺈﺳﺘﻌﻤﺎل‪ W‬ﻧﻔﺲ اﻟﻤﺨﻄﻂ اﻟﺘﻌﺎﻡﻠﻲ‪(.‬‬
‫‪% 10,54‬‬
‫اﻟﻨﺘﺎﺋﺞ اﻟﻤﺘﺤﺼﻞ ﻋﻠﻴﻬﺎ‪ ،‬ﺗﺒﻴﻦ أن اﻟﺘﻤﺮ ﻡﺶ دﻗﻠﺔ ) ذو ﻡﺤﺘﻮى‪ W‬أوﻟﻲ ﻡﻦ اﻟﻤﺎء‬
‫ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻮزن اﻟﺠﺎف( ﻗﺎﺑﻞ ﻟﻠﺘﺠﻔﻴﻒ‪ W‬ﺑﻜﻠﺘﺎ اﻟﺘﻘﻨﻴﺘﻴﻦ‪ .‬ﻟﻘﺪ إآﺘﺸﻔﻨﺎ اﻟﻌﻮاﻡﻞ‪ W‬اﻟﻤﺆﺙﺮة ﻟﻜﻞ ﺗﻘﻨﻴﺔ ﺗﺠﻔﻴﻒ )‬
‫اﻷﺗﻔﺎﻗﻲ و اﻟﻤﻴﻜﺮوأوﻧﺪ( ﻟﻜﻠﺘﺎ اﻻﺝﺎﺑﺘﻴﻦ ) ﻡﺤﺘﻮى‪ W‬اﻟﻤﺎء ‪ W‬و ﻟﻮن اﻟﺘﻤﺮ ) (‪ (. *dE‬اﻟﻌﺎﻡﻞ " أﺑﻌﺎد‬
‫اﻟﺘﻤﺮ" ‪ D‬ﻳﺆﺙﺮ ﻋﻠﻰ آﻠﺘﺎ اﻟﻄﺮﻳﻘﻴﺘﻦ‪ ،‬اﻟﻨﺘﻴﺠﺔ‪ :‬ﺗﻘﻨﻴﺔ اﻟﺘﺠﻔﻴﻒ اﻷوﻟﻰ ﺗﻼﺋﻢ ﺡﺒﺎت اﻟﺘﻤﺮ اﻟﻤﻘﻄﻮﻋﺔ‬
‫‪ D.‬ﺝﻤﻴﻊ اﻟﻨﻤﺎذج‬ ‫½‬ ‫إﻟﻰ اﻟﺒﻌﺪ ‪ ،D1/16‬أﻡﺎ اﻟﺘﻘﻨﻴﺔ اﻟﺜﺎﻧﻴﺔ ﻓﺘﻼﺋﻢ ﺡﺒﺎت اﻟﺘﻤﺮ اﻟﻤﻘﻄﻮﻋﺔ إﻟﻰ اﻟﺒﻌﺪ‬
‫اﻟﻤﺘﺤﺼﻞ‬
‫ﻋﻠﻴﻬﺎ ﺗﻌﻄﻲ إﺝﺎﺑﺎت ﻗﺮﻳﺒﺔ ﻡﻦ ﺗﻠﻚ اﻟﻤﻘﺎﺳﺔ ﺗﺠﺮﻳﺒﻴﺎ ) ﻡﻊ ‪ R²‬ﻡﺮﺿﻲ‪ (.‬إﻧﺘﺎج اﻟﺘﻤﻮر اﻟﺠﺎﻓﺔ ﻓﻲ‬
‫اﻟﺠﺰاﺋﺮ ﻓﻲ ﺗﺰاﻳﺪ ﻡﺴﺘﻤﺮ‪ ،‬اﻟﺘﻨﺒﺆات اﻟﺘﻲ ﻗﻤﻨﺎ ﺑﻬﺎ ﺗﺆآﺪ ذﻟﻚ‪.‬اﻟﻤﺜﺎل اﻟﺬي ﺗﺤﺼﻠﻨﺎ ﻋﻠﻴﻪ ﻋﺒﺎرة ﻋﻦ‬
‫) ‪.ARIMA (0, 1, 8‬‬
‫هﺬا اﻟﻌﻤﻞ ﻳﻨﺪرج ﺿﻤﻦ ﺗﻌﻤﻴﻖ ﻡﺬآﺮة ﻡﻬﻨﺪس دوﻟﺔ اﻟﺘﻲ‪ W‬اﻋﻠﻨﺖ ﻧﺘﺎﺋﺠﻬﺎ ﻓﻲ اﻟﻤﺠﻠﺔ‬
‫)أﻧﻈﺮ اﻟﻤﻠﺤﻖ‬
‫» ‪ « Industrie Agricoles et Alimentaires‬ﻟﺸﻬﺮ أﻓﺮﻳﻞ ‪/‬ﻡﺎي ‪2008‬‬
‫‪.(06‬‬

‫اﻟﻜﻠﻤﺎت اﻟﺪاﻟﺔ‪ :‬اﻟﺘﻤﻮر‪ W‬ﻡﺶ دﻗﻠﺔ‪ ،‬اﻟﺘﺠﻔﻴﻒ اﻹﺗﻔﺎﻗﻲ‪ ،‬اﻟﺘﺠﻔﻴﻒ ﺑﺎﻟﻤﻜﺮوأوﻧﺪ‪ ،‬اﻟﻠﻮن‪ ،‬ﻡﺨﻄﻄﺎت‬

‫اﻟﺘﺠﺎرب‬
Résumé

Ce travail consiste en la modélisation de deux techniques de séchage de dattes de la


variété Mech-Degla (conventionnel et par utilisation des micro-ondes « MO »), par application
d’un plan factoriel complet 24. La variation de la différence de couleur totale (dE*) « Totale
Color Difference TCD » des dattes au cours du séchage est également étudiée (en utilisant le
même plan factoriel).

Les résultats obtenus montrent que les dattes Mech-Degla (de teneur en eau initiale
de10.45% par rapport à la masse sèche « m.s ») sont aptes à subir les deux techniques de
séchage. Pour chaque type de traitement (conventionnel et MO), nous avons révélé les facteurs
influents pour les deux réponses (teneur en eau W et dE*). Le facteur dimension influence et
le séchage conventionnel et le séchage au MO ; résultat : le premier type de séchage s’adapte
mieux aux dattes coupées à la dimension D1/16 et le second à la dimension D1/2. Tous les
modèles obtenus donnent des valeurs de la réponse proche de celles mesurées
expérimentalement (avec R2 satisfaisant). La production de dattes communes en Algérie est en
augmentation continue, la méthodologie de Box-Jenkins nous a permis d’obtenir un modèle
ARIMA (0,1,8) représentant la série chronologique de production de dattes sèches et donnant
les prévisions à court terme.

Ce travail est consacré à l’approfondissement de mon mémoire d’Ingénieur dont les


résultats ont fait l’objet d’une publication dans la revue « Industrie Agricoles et Alimentaires
d’avril/mai 2008 » (voir annexe 6).

Mots clés : dattes Mech-Degla, séchage conventionnel, micro-onde, couleur, plans


d’expérience.
Abstract

This work consists of the modelisation of two drying technique of dates Mech-Degla
variety (conventional drying and microwave drying MW), with application of complete
factorial design 24. The total colour difference TCD (dE*) was also studied (the same design
of experiments was applied).

Results obtain show that Mech-Degla dates (initial water content of dates is 10.45% in
comparison to dried basis) have ability to undergo the two drying techniques. For each
treatment (conventional and MW), we have reveal influents factors for the two answer (water
content and dE*). Factor dimension influences the two drying methods; result: the first drying
technique adapts for dates cut to dimension D1/16 and the second for dates cut to dimension
D1/2. All models obtains give answers value near to ones measured experimentally
(satisfactory R2 was obtained). Common dates production is on the increase, this is confirmed
by production forecast. The result of the methodology applied (Box-Jenkins) is a model
ARIMA (0, 1, 8) was obtained.

This work is a continuation of the engineering memory, witch results were published in
''Industrie Alimentaires et Agricoles'' revue of April/May 2008 (look at annex 6).

Key words: Mech-Degla dates, conventional drying, micro-wave drying, colour, design of
experiments.
Remerciements
Remerciements

Ce travail a été réalisé au laboratoire de technologie alimentaire de la Faculté des sciences


de l’ingénieur de l’université de Boumerdès.

J’adresse mes remerciements à tous ceux qui de près ou de loin ont contribué directement
ou indirectement à la réalisation de ce mémoire en particulier :

Mr Benamara S., professeur à l’université de Boumerdès UMBB, je le remercie pour ses


précieux conseils et orientations, pour sa disponibilité, son encouragement et pour tout
l’intérêt qu’il a accordé à ce travail.

Mr Benchabane A., maître de conférences à l’INA, pour l’honneur qu’il m’a fait en
président mon jury.

Mr Nouri L., maître de conférences à l’université de Boumerdès UMBB ;

Mr Yahi M., chargé de cours à l'université de Bab- Zouar USTHB ;

Mme Amellal H., maître de conférences à l’université de Boumerdès UMBB ;

pour avoir honoré en acceptant d’examiner ce travail.

Mrs Iguedad. A et Medahi. A, enseignants à l’université de Boumerdès UMBB ;

Mr El-Bahi. M, enseignant à l’université de Bab-zouar USTHB ;

Mr Ait-Ouarab, responsable service statistique du ministère algérien de l’agriculture ;

Mr Boumechadda du laboratoire de recherche Génie des Matériaux ;

Mr Domaz. M, maître de conférences à l’UMBB ;

Mme Belakhrouf. A, enseignante à l’UMBB ;

Mme Belkhodja enseignante à l’UMBB ;

Laborantins (es) du DTA ;

pour leur aide.


Remerciements

Un grand merci au directeur de l’ENAP (entreprise nationale des peintures de Lakhdaria),


et à Mr Foudi. H, de m’avoir accueillis au sein de son laboratoire où la mesure de la couleur
des échantillons été faite.

Je n’oublie pas de remercier tous mes enseignants qui se sont évertués à m’enseigner
durant le cursus universitaire.
A mes parents
Sommaire
Introduction..........................................................................................................................1

Etude bibliographique

I. La datte
Chapitre I
Généralités: datte, séchage, couleur
1. Composition et classification….......................................................................................4
2. La variété Mech-Degla….................................................................................................5

II. Le séchage
1. Définition…....................................................................................................................6
2. Le séchage conventionnel (à l’air chaud)…....................................................................6
3. Le séchage au micro-onde…............................................................................................7
4. Phénomènes se produisant au cours du séchage….........................................................7

III. La couleur
1. Couleur et colorimétrie…..................................................................................................8
2. Espace colorimétrique…...................................................................................................9
3. Changement de la couleur…...........................................................................................10

Chapitre II
Méthodologie : Plans d’expérience-Box_Jenkins
I. Plans d’expérience
1. Définitions......................................................................................................................12
2. Plan factoriel complet 2k : planification…......................................................................12
..............................................................................................................
3. Utilité du plan 2k 18

II. Notions sur la méthodologie de Box-Jenkins


1. Définition........................................................................................................................18
2. Les composantes d’une série chronologique…...............................................................19
3. La stationnarité…...........................................................................................................20
4. Les processus ARMA, ARIMA….................................................................................20
5. Notions sur la méthode de Box et Jenkins….................................................................22

Partie expérimentale

Chapitre III
Matériels et méthodes
1. Matériels…........................................................................................................25
1.1. Matériels pour les prévisions…....................................................................................25
1.2. Matériel végétal….......................................................................................................25

2. Méthodes d’analyses…..................................................................................................25
2.1. Application de la méthodologie de Box-Jenkins….....................................................25
2.2. Modélisation du procédé de séchage des dattes et de l’indice de couleur…...............26
2.2.1. Détermination de la teneur en eau initiale des dattes…...........................................26
2.2.2. Le séchage conventionnel des dattes.........................................................................27
2.2.3. Le séchage des dattes au micro-onde…....................................................................28
2.2.4. Mesure de la variation de couleur et du niveau critique de couleur….....................28
2.2.5. Analyse statistique…................................................................................................29
Sommaire

Chapitre I V
Résultats et interprétations
1. Analyse statistique et prévisionnelle de la production de dattes communes en
Algérie…...................................................................................................................................30
1.1. Analyse préliminaire…................................................................................................30
1.2. Test sur la non stationnarité….....................................................................................32
1.3. Test de racine unitaire DF sur la série différenciée  DATt....................................... 34
1.4. Examen du corrélogramme de la série différenciée  DATt....................................... 36
1.5. Graphe des séries : réelle, estimée et résidus………...................................................
39
1.6. Test sur les résidus…...................................................................................................39
1.7. Prévision de la production de dattes communes DATt................................................42

2. Modélisation du procédé de séchage conventionnel des dattes utilisées…....................44


2.1. Matrice des expériences (séchage conventionnel)…...................................................44
2.2. Calcul des cœfficients du modèle (séchage conventionnel)….....................................45
2.3. Test sur la validité du modèle (séchage conventionnel)…...........................................47

3. Modélisation du procédé de séchage des dattes séchées au micro-onde…....................49


3.1. Matrice des expériences (séchage au micro-onde)…...................................................49
3.2. Calcul des coefficients du modèle (séchage au micro-onde)…...................................49
3.3. Test sur la validité du modèle (séchage au micro-onde)…..........................................53

4. Modélisation de la couleur des dattes séchées par convention…...................................54


4.1. Matrice des expériences (couleur, séchage conventionnel)….....................................54
4.2. Calcul des coefficients du modèle (couleur, séchage conventionnel)…......................55
4.3. Test sur la validité du modèle (couleur, séchage conventionnel)….............................56

5. Modélisation de la couleur des dattes séchées au micro-onde…....................................57


5.1. Matrice des expériences (couleur, micro-onde)….......................................................57
5.2. Calcul des coefficients du modèle (couleur, micro-onde)…........................................57
5.3. Test sur la validité du modèle (couleur, micro-onde)…...............................................60

6. Utilisation de la poudre de dattes préparée….................................................................62

7. Les combinaisons optimales…........................................................................................63


7.1. Le séchage conventionnel…........................................................................................63
7.2. Le séchage au micro-onde…........................................................................................63

Conclusion...........................................................................................................................64
Références bibliographiques
Annexes
Liste des abréviations

MO : micro-onde

IAA : industrie agro-alimentaire

(DAT)t : la série temporelle brute de production de dattes sèches en Algérie

AC : autocorrélation simple

PAC : autocorrélation partielle

Prob : probabilité critique

Q-Stat : statistique de Ljung et Box

T : statistique de Dickey-Fuller

ARMA : modèle autorégressif et moyenne mobile

(∆DAT)t : la série temporelle différenciée de la production de dattes sèches

ARIMA : modèle autorégressif et moyenne mobile integré

m.s : masse sèche

tc : critère de Student calculé.

tt : critère de Student tabulé

: Seuil de signification

: nombre de degré de liberté

R2 : coefficient de détermination

T : température

t: temps

D : dimension

M : masse

P : puissance
Liste des abréviations
°C : degré celsus

min : minute

g : gramme

w : watts

sec : seconde

m : micro mètre

iid : indépendante et identiquement distribuées

W1 : teneur en eau du premier échantillon

W2 : teneur en eau du deuxième échantillon

W3 : teneur en eau du troisième échantillon

Wmoy : teneur en eau moyenne

 2y : la variance des expériences

DE1 : différence de couleur totale du premier échantillon

DE2 : différence de couleur totale du deuxième échantillon

DE3 : différence de couleur totale du deuxième échantillon

DEMOY : différence de couleur totale moyenne


Liste des tableaux

Tableau IV.1 : Les meilleurs modèles représentant la série  DAT…............................37

Tableau IV.2 : Estimation du modèle ARIMA (0,1,8)….................................................37

Tableau IV.3: Prévision de la production de dattes sèches…....................................42

Tableau IV.4 : Matrice des expériences pour le séchage conventionnel des dattes Mech-
Degla….....................................................................................................................................44

Tableau IV.5: Les paramètres du modèle (séchage conventionnel des dattes) et leur
critères de Student calculé)…....................................................................................................45

Tableau IV.6: Matrice des expériences pour le séchage au MW des dattes Mech-Degla
…………………………………………………………………………………………………49

Tableau IV.7 : Les paramètres du modèle (séchage au MW des dattes) et leur critères de
Student calculé….......................................................................................................................50

Tableau IV.8 : Matrice des expériences pour la couleur des dattes Mech-Degla séchées
par convection............................................................................................................................54

Tableau IV.9: Les paramètres du modèle (couleur des dattes, séchage conventionnel) et
leur critères de Student calculé…..............................................................................................55

Tableau IV.10: Matrice des expériences pour la différence de couleur totale des dattes
Mech-Degla séchées au MO…................................................................................................57

Tableau IV.11: Les paramètres du modèle (différence de couleur totale des dattes séchées
au MO) et leur critères de Student calculé…............................................................................58

Tableau IV.12: Les valeurs de la couleur de la poudre de cacao et de la poudre de dattes


séchées jusqu’au point critique..................................................................................................62
Liste des figures

Figure II.1 : Procédure itérative de Box-Jenkins….........................................................24

Figure IV.1 : Représentation graphique de la série brute (DATt)….................................30

Figure IV.2 : Correlogramme de la série (DATt)..............................................................31

Figure IV.3 : Représentation graphique de la série différenciée (∆DATt)........................34

Figure IV.4 : Correlogramme de la série différenciée (  DATt)…..................................36

Figure IV.5 : Correlogramme des résidus…......................................................................38

Figure IV.6 : Graphe des séries réelles et estimées…........................................................39

figure IV.7 : Histogramme de Jarque-Bera…...................................................................40

Figure IV.8 : Correlogramme des résidus au carré…........................................................41

Figure IV.9 : Prévision de la série production de dattes sèches (DATt)....................43

Figure IV.10: Représentation graphique des effets de la température, du temps et du


facteur dimension sur l’humidité des dattes (séchage conventionnel)…...................................47

Figure IV.11 : Représentation graphique des valeurs prédites en fonction des valeurs
mesurées (séchage conventionnel, humidité)….........................................................................48

Figure IV.12: Représentation graphique des effets de la puissance, du temps, du facteur


dimension et de la charge sur l’humidité des dattes (séchage au MO)…................................52

Figure IV.13 : Représentation graphique des valeurs prédites en fonction des valeurs
mesurées (séchage au MO, humidité)…...................................................................................53

Figure IV.14 : Représentation graphique des valeurs prédites en fonction des valeurs
mesurées (séchage conventionnel, couleur)…...........................................................................56

Figure IV.15: Représentation graphique des effets de la puissance, du temps, du facteur


dimension et de la charge sur DE* des dattes séchées au MO................................................60

Figure IV.16 : représentation graphique des valeurs prédites en fonction des valeurs
mesurée (micro-onde, couleur)…..............................................................................................61
Introduction

L’Algérie est un pays riche en palmiers dattiers. La production en dattes communes a


atteint 1649,170 tonnes en l’an 2006 et le nombre de palmier en rapport est estimé à 4584120
durant la même année (Statistiques agricoles du ministère algérien de l’agriculture, 1980-
2006).

Vu sa richesse en sucre et en sels minéraux, le fruit de datte constitue une composante


principale de l’alimentation dans plusieurs pays (Reynes et al., 1994 ; Al-Shahib et Marshal,
2003).

Les dattes communes telles que Degla Beida et Mech-Degla présentent une importance
économique (Brac de la Perriere, 1988), alors que d’autres cultivars produisent des dattes
ayant une faible valeur marchande et posent un problème de commercialisation ce qui à
pousser les agriculteurs à une orientation sélective. D’où le risque de fragilisation du système
phoénicicole (Acourene et Tama, 1997).

Les poudres de fruits ont une teneur en eau d’environ 5% (Espiard, 2002). Ces poudres
sont obtenues après séchage et broyage du fruit.

Le séchage est une des anciennes méthodes de conservation des aliments. Il joue un rôle
important dans les IAA, à la fois par son influence sur les qualités mécaniques, sensorielles et
nutritionnelles des produits, par les possibilités qu’il offre de créer des produits ayant de
nouvelles fonctionnalités, et par son poids économique, surtout énergétique (aBonazzi et
Bimbenet, 2000, a2008).

Les procédés sont multiples et varient selon le type et la quantité de produit à sécher, la
quantité d’eau évaporée à éliminer, la qualité finale souhaitée ou la fonctionnalité recherchée
pour le produit séché (bBonazzi et al., 2008).

Le séchage conventionnel est largement utilisé mais cette méthode n’est pas sans
inconvénients. Ces dernières années, le séchage au microonde a été introduit. Ce dernier mode
de séchage est efficace pour les produits ayant une teneur en eau < 20% (Mudgett, 1989 ;
Giese, 1992). Le séchage aux microondes réduit le temps de séchage à plus de 99% quand il
est comparé au séchage au soleil et à l’étuve (Arslan et Musa Ozcan, 2007). L’inconvénient
majeur de ce type de séchage est le séchage inégal (non uniforme) (Gowen et al., 2008).

-1
Introduction

Une longue durée de vie, une diversité des produits et la réduction importante du volume,
une grande résistance des consommateurs à l’utilisation des produits chimiques pour la
conservation des aliments et l’augmentation de la popularité des aliments rapidement séchés
avec une meilleure qualité et une bonne réhydratation, sont les raisons de la popularité des
fruits et légumes séchés (Maskan, 2001).

Le séchage des produits alimentaires affecte leur couleur ce qui peut être un inconvénient
ou un avantage selon l’utilisation finale du produit.

La couleur est passée du domaine scientifique (physique-optique) peu connue des


néophytes, au domaine ‘’public’’ parce que les industriels ont réellement pris conscience de
l’influence de l’aspect coloré de leur produits (SPC Software, 2001).

Une couleur peut être quantifiée par analyse instrumentale, c’est simple et c’est rapide par
rapport à l’analyse chimique (bMaskan, 2001). Selon l’espace colorimétrique CIE 1976, une
couleur est représentée par les paramètres L*, a*, b*, DE* (SPC Software, 2001).

Pour modéliser un paramètre de qualité, différentes méthodes existent. La méthode des


plans d’expériences est un outil sûr, pratique et indispensable pour conduire avec efficacité
une étude où de nombreux paramètres interviennent. Délais réduits, coûts diminués, précision
augmentée et fiabilité améliorée, constituent les principaux avantages de cette méthode
(Goupy, 2001).

Cette méthode utilisée depuis longtemps par les agronomes et les chimistes pour concevoir
et analyser leur expérimentation, est devenue un instrument de choix incontournable pour
accroître la productivité des cycles de développement dans de différents secteurs (Baléo et al.,
2003).

Parmi les plans d’expériences, nous citons le plan factoriel complet à deux niveaux, lequel
permet une modélisation linéaire d’une expérimentation.

Notre étude porte sur le séchage du fruit de datte Mech-Degla sous le thème :

‘’Etude comparative de deux techniques de séchage (conventionnel et micro-onde) par


application des plans d’expérience. Cas du fruit de datte’’.

-2
Introduction

Vu l’importance de ce fruit, nous commençons par une étude prospective de la production


de dattes communes en Algérie par application de la méthodologie de Box-Jenkins. Cette
méthodologie traite des prévisions à court et à moyen terme. Cette méthode a connu des
développements importants durant les dernières années. La diffusion de logiciels spécialisés la
met à la portée de toutes les organisations (Mélard, 1991).

Dans notre cas, l’objectif est l’élaboration d’un modèle mathématique permettant de
fournir des prévisions à court et à moyen terme sur la production de dattes communes. Lors de
cette étude les logiciels Eviews et SPSS sont utilisés.

Les dattes utilisées dans cette étude appartiennent à la variété Mech-Degla, issues des
palmerais de Biskra.

Nous procédons au séchage de ces dattes par deux techniques :

1- le séchage conventionnel ;

2- le séchage aux micro-ondes.

En plus de la modélisation de ces deux procédés de séchage. Les facteurs fixés pour le
séchage par convection sont : la température, le temps, la dimension et la masse ; pour le
séchage au MO les facteurs sont la puissance, le temps, la dimension et la masse. Nous
choisissons comme indice de qualité la couleur des dattes que nous modélisons également par
application d’un plan factoriel complet 24 (quatre facteurs influents sont fixés).

Ce travail se situe dans une perspective de valorisation des dattes communes d’Algérie se
caractérisant par une faible valeur marchande. En outre ce travail peut être perçu comme une
modeste contribution à la sauvegarde de la biodiversité.

-3
Partie Chapitre I : Généralités: datte, séchage,

Ce chapitre est un bref aperçu sur la datte, le séchage ainsi que la mesure de la couleur par analyse
instrumentale. Vu son importance, ce fruit a bénéficié d’une grande étude bibliographique. Les dattes
ont une charge spirituelle ce qui confirme plus leur utilité.

I. La datte

Le nom botanique du palmier dattier dérive du latin : Phoenix Dactylifera. « Phoenix » est
le nom donné par les grecs à cet arbre qu’ils considéraient l’arbre des Phéniciens,
« dactylifera » décrit les fruits du palmier dattier, en forme de doigts (Peyron, 2000).

1. Composition et classification

Les dattes sont connues pour leur valeur nutritionnelle. Bien qu’elles soient riches en
certains sels minéraux, vitamines (surtout caroténoïdes et vitamines du groupe B), tanins et
acides organiques, c’est surtout leur teneur en sucres qui en fait un aliment de premier choix
(une teneur en sucres totaux très élevée d’en moyenne 75.1% de masse sèche (Acourene et
Tama, 1997)). Ce fruit est principalement composé d’eau, de sucres réducteurs (fructose,
glucose) et non-réducteurs (saccharose), et de non-sucres (protides, lipides, minéraux,
cellulose, pectine, vitamines et enzyme) (Booij, Piombo et al., 1992).

La teneur en eau des fruits varie avec le degré de maturité (Hussein et al., 1974), mais
dépend également du caractère variétal. On a coutume de classer les dattes mûres en 3
catégories (Booij et al., 1992):

-les dattes molles : taux d’humidité supérieur ou égal à 30%, elles sont à base de sucres
invertis (fructose, glucose) ;

-les dattes sèches : moins de 20% d’humidité, elles sont à base de saccharose ;

-les dattes demi-molles : de 20 à 30% d’humidité, elles occupent une position


intermédiaire à l’exception de la Deglet-Nour, datte à base de saccharose par excellence (Cook
et Furr, 1952).

-4-
Partie Chapitre I : Généralités: datte, séchage,

2. La variété Mech-Degla

La datte Mech-Degla est une variété sèche. Sa production a atteint 1649,170 tonnes en
2006 (Statistiques agricoles du ministère algérien de l’agriculture, 1980-2006).

Beaucoup de chercheurs se sont penchés sur la valorisation de cette variété peu appréciée
par le consommateur. Parmi les travaux qui ont lui ont été consacrés nous citons :

 Essai de formulation d’un yaourt naturel aux dattes (Benamara et al., 2004).

 Le séchage sous vide des dattes communes (Amellal et Benamara, 2008).

 Valorisation des constituants mineurs de la datte Mech-Degla dans une recette de


margarine allégée (Djouab, 2007).

 Effet du couple temps-température sur l’efficacité du séchage. Cas des dattes Mech-
Degla (Chekroune et al., 2008).

 Actuellement, des chercheurs du sud algérien (Tougourt) étudient la ‘’possibilité


d’extraction de butanol à partir de dattes’’ et qui devra être utilisé comme substitut de
l’essence du pétrole.

Dans le présent travail, nous étudions deux procédés de séchage ainsi que la variation de la
couleur des dattes Mech-Degla, la finalité étant leur transformation en poudre.

Munier (1973) a rapporté que la poudre de datte est obtenue par broyage de dattes
dénoyautées, dattes sèches du type Degla-Beida ou Mech-Degla d’Algérie,…, ou des dattes
séchées naturellement.

Riche en sucre, cette poudre est utilisée en biscuiterie, en pâtisserie, dans la préparation de
nombreux produits alimentaires : entremets, petits déjeuner, aliments pour enfants….

-5-
Partie Chapitre I : Généralités: datte, séchage,

II. Le séchage

1. Définition

Le séchage est l’une des anciennes méthodes de conservation des aliments. Durant le
séchage l’eau est enlevée de l’aliment, réduisant le potentiel de croissance des microbes et des
réactions chimiques indésirables (ex : brunissement enzymatique), donc augmentation de la
durée de vie du produit (Gowen et al., 2008).

b
Bonazzi et al. (2008) l’ont défini comme l’opération consistant à évaporer de l’eau d’un
produit pour aboutir à un solide sec.

Les procédés sont multiples et varient selon le type et la quantité de produit à sécher et la
quantité d’eau évaporée à éliminer, la qualité finale souhaitée ou la fonctionnalité recherchée
pour le produit séché (bBonazzi et al., 2008).

Pour les poudres de fruits, souvent nous cherchons à réduire l’humidité initiale du produit
aux environ 5% (par rapport à la masse sèche) (Espiard, 2002).

Quelque soit le mode de séchage (air chaud ou aux micro-ondes), le transfert d’eau est dû
à la différence de pression de vapeur d’eau entre l’intérieur et la surface du produit, ce qui
fournit une force entraînante pour l’humidité (aMaskan, 2001).

2. Le séchage conventionnel (à l’air chaud)

C’est la méthode de séchage la plus commune pour les aliments (aMaskan, 2001).

Plusieurs chercheurs ont souligné que le séchage à l’air chaud, (à des température
élevées), provoque une dégradation importante de la qualité attribuée aux aliments tel que : la
couleur, les nutriments, la flaveur, la texture, un sévère rétrécissement, réduction de la densité
de gros et la capacité de réhydratation, endommagement des caractéristiques sensorielles et la
migration des solutés vers la surface de l’aliment (Bouraout et al., 1994 ; Yongsawatdigul et
Gunasekaran, 1996 ; Feng et Tang, 1998 ; Maskan, 2000). Gowen (2008) ajoute à cela une
longue durée de séchage, et une énergie de faible efficacité. La longue durée de séchage
s’explique par une réduction rapide de l’humidité à la surface et par conséquent rétrécissement
impliquant souvent une réduction de transfert d’humidité et parfois réduction de transfert de

-6-
Partie Chapitre I : Généralités: datte, séchage,

chaleur (Feng et Tang, 1998). Les chercheurs sont alors amenés à rechercher d’autres
méthodes de séchage alternatives.

3. Le séchage aux micro-ondes

Le séchage aux micro-ondes est très efficace pour les produits ayant une teneur en eau
inférieure à 20% (Mudgett, 1989 ; Giese, 1992). Il représente une alternative pour améliorer la
qualité des produits déshydratés (aMaskan, 2001).

Les micro-ondes peuvent être appliquées seules ou alors combinées au séchage


conventionnel. Pour des raisons essentiellement économiques, le dernier cas s’applique à la
dernière phase de séchage, lorsqu’une faible teneur en eau est présente dans l’aliment car le
séchage conventionnel nécessitant alors beaucoup de temps (aMaskan, 2001).

Le séchage aux micro-ondes réduit considérablement le temps de séchage (Arslan et Musa


Ozcan, 2007) mais cette méthode n’est pas sans inconvénients et le chauffage inégal est le
majeur problème (Gowen et al., 2008).

4. Phénomènes se produisant au cours du séchage

Les interactions entre l’eau et les autres constituants dépendent de la mobilité de l’eau et
des solutés, entraînant des réactions, des transformations physiques, des phénomènes
mécaniques lors du séchage, du stockage et de la consommation (Le Meste et al., 2001).

Les réactions biochimiques

Il s’agit des réactions de Maillard, de l’oxydation de vitamines et de matières grasses, de


la dénaturation de protéines, des réactions enzymatiques, etc.

Certains prétraitements permettent de réduire la vitesse de ces réactions. Les exemples


classiques sont un traitement (léger) au SO 2 pour limiter les réactions de Maillard dans les
fruits secs et le blanchiment pour réduire les réactions enzymatiques dans les légumes séchés.

Certains réactions biochimiques sont recherchées : c’est le cas de la torréfaction du malt


qui constitue un séchage poussé, destiné à développer des couleurs et des arômes produits par
caramélisation (bBonazzi et al., 2008).

-7-
Partie Chapitre I : Généralités: datte, séchage,

Les transferts physiques

Il y en a divers types : diminution de l’activité de l’eau aw , transition vitreuse, fusion de


matières grasses, évaporation de constituants volatils, migration ou rétention de constituants
volatils ou non.

Ces transferts sont liés à la perte et aux évolutions de températures du produit au cours du
séchage (Bonazzi et al., 2008).

Les phénomènes mécaniques

Nous citons le croûtage, les déformations, les fissures…. Ces changements ne sont que
partiellement réversibles lors de la réhydratation (Bonazzi et al., 2008).

En un mot, le séchage industriel des aliments impose un besoin constant d’améliorer les
coûts, l’efficacité du procédé et la qualité du produit final (Bonazzi et al., 2008).

III. La couleur

1. Couleur et colorimétrie (SPC Software, 2001)

Chacun perçoit et interprète différemment la couleur (anomalies visuelles, situation


géographique, éducation, goût…). Cette sensation colorée existe parce que les rayonnements
lumineux vont interagir sur l’objet et émettrent d’autres rayonnements (réfléchis) perceptibles
par l’œil puis interprétés par le cerveau.

La couleur n’a donc pas de réalité physique, c’est une interaction résultante entre la
lumière qui éclaire un objet et est vue par un observateur/œil. C’est la notion de triplet.

Pour pallier à tous ces facteurs influençant la vision de la couleur, la colorimétrie a été
créée : elle permet de quantifier la couleur en donnant des valeurs numériques aux trois
facteurs de classement ‘’tonalité, saturation et clarté’’.

Par conséquent, une couleur est représentée par trois valeurs.

-8-
Partie Chapitre I : Généralités: datte, séchage,

La tonalité

La tonalité ou nuance ou angle de teinte, représentée par la lettre h, correspond à la


composante colorée de l’échantillon plus précisément au nom de la couleur (bleu, vert, rouge,
violet,…).

La saturation

Ce facteur représenté par la lettre C, permet d’évaluer la proportion de couleur pure


présente dans la sensation visuelle c'est-à-dire d’évaluer si la teinte est saturée (vive) ou peu
vive (délavée-terne). On parle également de chroma.

La clarté

La clarté ou luminance représentée par la lettre L définit le caractère plus ou moins clair
de l’objet, teinte claire ou foncée.

2. Espace colorimétrique (SPC Software, 2001)

Les premières recommandations de la CIE (commission internationale d’éclairage)


concernant la colorimétrie furent publiées en 1931 : déjà 77 ans qu’on sait quantifier la
couleur.

Il existe un grand nombre d’espaces colorimétriques, les plus utilisés : CIE 1976
(L*a*b*) ; CIE 1976(L*c*h°).

2.1. Le système CIE 1976 L*a*b*

Ce système connu aussi sous le nom de CIE 1976 résulte d’une transformation
mathématique du système CIE 1931. On retrouve dans cet espace la méthode de repérage
tridimensionnel reprenant la théorie des trois paires antagonistes : blanc-noir, rouge-vert,
jaune-bleu.

Pour distinguer ce système il a été convenu d’affecter à tous les paramètres une étoile *.

-9-
Partie Chapitre I : Généralités: datte, séchage,

2.1.1. Chaque point peut être représenté par :

Ses coordonnées rectangulaires L*, a*, b* :

L* : clarté ou luminance ;

a* : composante chromatique rouge-vert ;

b* : composante chromatique jaune-bleu.

Ses coordonnées cylindriques L*, c*, h° :

L* : clarté ou luminance ;

c* : chroma ou saturation ;

h° : angle de teinte ou tonalité

2.1.2. Différence de couleur en L*a*b*

DE*= (DL*2+Da*2+Db*2)1/2 (1)

avec : DL*=L*(éch)-L*(std).

Da*=a*(éch)-a*(std).

Db*=b*(éch)-b*(std).

2.1.3. Différence de couleur en L*c*h°

DE= (DL*2+Dc*2+Dh°2)1/2 (2)

avec : Dc*=c*(éch)-c*(std)

Dh°=h°(éch)-h°(std).

3. Changement de la couleur

La couleur c’est l’apparence la plus importante attribuée aux aliments, puisqu’elle


influence l’acceptabilité du produit par le consommateur.

- 10
Partie Chapitre I : Généralités: datte, séchage,

Beaucoup de réactions peuvent affecter la couleur durant le processus thermique des fruits
et leurs dérivées. Les plus communes sont : la dégradation des pigments, spécialement les
caroténoïdes et la chlorophylle, les réactions de brunissement (réaction de Maillard),
l’oxydation de l’acide ascorbique (Barreiro et al., 1997 ; Lozano et Ibarz, 1997 ; Lee et
Coates, 1999).

D’autres facteurs affectant la couleur : le pH des fruits, l’acidité, la température, la durée


du processus, la variété du fruit et la contamination par les métaux lourds (Abers et Wrolstad,
1979 ; Skrede, 1985 ; Garcia-Viguera et al., 1999).

La mesure de la couleur peut être utilisée indirectement pour estimer le changement de la


couleur des aliments, puisque c’est plus simple et rapide que l’analyse chimique (bMaskan,
2000).

- 11
Partie Chapitre II : Méthodologie : Plans d’expérience-

Le plan factoriel complet permet une modélisation linéaire d’une expérimentation. Dans ce chapitre
nous allons donner la définition d’un plan factoriel complet 2 k, ainsi que les différentes étapes de la
modélisation…… . Nous étudions également des prévisions à moyen et à court terme par l’application
de la méthodologie de Box-Jenkins…..

I. Les plans d’expérience

Les inconvénients des méthodes traditionnelles de réalisation d’essai ont poussé les
chercheurs à la recherche d’une stratégie qui réduirait au maximum le nombre des essais, sans
pour autant sacrifier la précision et qui permettrait d’aboutir aux mêmes conclusions. La
notion de plans d’expériences à 2 niveaux a été donc introduite (Baléo et al., 2003 ; Goupy,
2001).

1. Définitions

Le terme ‘’plans d’expériences’’ vient de l’anglais ‘’Design of Experiments’’ qui se


traduit par ‘’conception des expériences ‘’ (Schimmerling et al., 1998).

Selon Fisher*, les plans d’expériences constituent « un essai technologique d’utilisation


maximale des données » (Schimmerling et al., 1998).

Un plan est dit factoriel, lorsque les niveaux de tous les facteurs, qualitatifs ou quantitatifs
sont codés. Un plan factoriel est dit ‘’plan factoriel total’’ ou ‘’plan factoriel complet’’
lorsque toutes les combinaisons distinctes des niveaux des facteurs sont toutes présentes
(Schimmerling et al., 1998).

2. Plan factoriel complet 2k : planification

Le nombre d’expériences à réaliser lors de l’application d’un plan factoriel complet à deux
niveaux est donné par la formule ci-dessous (Goupy, 2001) :

N 2k (3)

Où k : nombre de facteurs ;

2 : niveaux des facteurs.

* : statisticien

- 12
Partie Chapitre II : Méthodologie : Plans d’expérience-

Le modèle décrivant le comportement d’un système dont la réponse Y est une variable
dépendant de p facteurs influents x 1, x 2 ,..., x p  est donné par la formule suivante (Baléo et al.,

2003) :

Y
f  x1 , x 2 ,...x  
p

 : Ensemble des paramètres caractérisant la forme de la fonction f ;


: le terme d’erreur.

L’objectif étant d’estimer les paramètres du modèle par l’application du plan factoriel
complet à deux niveaux en minimisant l’erreur (Baléo et al., 2003).

Voici la démarche à suivre :

2.1. La fixation du nombre de facteurs à examiner ainsi que le nombre de niveaux qu’il
faut leur donner (Schimmerling et al., 1998).

2.2. La codification des niveaux des facteurs du plan

La codification se fait par les signes (–) et (+) pour les niveaux bas et haut de chaque
facteur respectivement. Ces variables sont dites centrées réduites ou codées (Goupy, 2001).

La formule utilisée pour la codification des facteurs est donnée en annexe 1.

2.3. La randomisation des essais

La randomisation des essais a pour résultat de rendre aléatoire la répartition des erreurs
systématiques et de permettre ainsi l’application des tests statistiques (qui prennent pour
hypothèse de base la distribution au hasard des erreurs). Elle contribue à rendre faible l’erreur
aléatoire (Goupy, 2001) (voir annexe 1).

2. 4. La réalisation des essais

La réalisation des essais en contrôlant au mieux les facteurs externes : à cette étape les
répétitions sont nécessaire car elles permettent de réduire l’incertitude sur les estimations des
coefficients du modèle et par conséquent sur les prévision pour des combinaisons observées
(Schimmerling et al., 1998).

- 13
Partie Chapitre II : Méthodologie : Plans d’expérience-

Les différents résultats obtenus sont portés dans un tableau appelé matrice des expériences
(Goupy, 2001) (voir annexe 1).

2.5. Test de Cochran d’homogénéité des variances

Le test de Cochran permet de tester l’homogénéité des variances pour des échantillons
composés d’un même nombre de résultat (Schimmerling et al., 1998)

La valeur critique (calculée) ; Cm, N ,  0.05 du critère :


C 2
u max y (4)
  Y u
2


1u N
N
Y Y  2


2
ui u y  u 1 u m  1 (5)

 u 2max y : La variance maximale observée sur les échantillons ;

 2 y : est la variance de l’échantillon (variance des expériences dans chaque point) ;
u

N : est le nombre d’échantillon (d’expériences) ;

: est la probabilité de l’erreur de 1ère espèce ;

u : Numéro de l’expérience ;

m : Nombre de répétition (la taille de chaque échantillon);

Yui : Valeur du paramètre d’optimisation dans la uème expérience à la ième répétition ;

Yu : Valeur moyenne du paramètre d’optimisation dans la uème expérience.

Le choix du diviseur (m-1) vient du fait qu’il y a seulement (m-1) mesures indépendantes
pour calculer la variance, car il existe une relation entre les m mesures initiales : la relation de
définition de la moyenne (Goupy, 2001).

Lorsque C (N, P=0.95, ν=m-1)> C , on rejette l’hypothèse d’égalité des variances au


t

- 14
Partie Chapitre II : Méthodologie : Plans d’expérience-
risque , les variances sont homogène et l’expérience est dite reproductible.

- 15
Partie Chapitre II : Méthodologie : Plans d’expérience-

Si les variances ne sont pas homogènes, on vérifiera l’absence de mesures aberrantes pour
la ou les combinaisons présentant une variance maximale et nous retestons à nouveau
l’homogénéité des variances (Schimmerling et al., 1998) (voir annexe 1).

2.6. Calcul des coefficients du modèle par la régression linéaire multiple RLM

Cette méthode est la plus simple et la plus utilisée lorsqu’on cherche à établir la relation
entre une variable expliquée et un ensemble de variables explicatives (Baléo et al., 2003).

Cette méthode prend pour hypothèse la linéarité du modèle par rapport aux paramètres
inconnus à estimer (Baléo et al., 2003).

Les coefficients se calculent ainsi :

b0  N
Y
u 1
u (6)

N
(7)
bi  Y  X iu N
u 1

bij N
  Yu  X iu  X ju N (8)
u 1

X iu , X ju , X : Valeurs codées des facteurs ; dans la uème expérience ;


ku

Yu : Valeur moyenne des paramètres d’optimisation dans la uème expérience ;

N : Nombres d’essai.

Ce n’est pas par chance que l’on peut calculer ci facilement effets et interactions, mais
c’est une conséquence des modèles mathématiques qui sont sous-jacents à la théorie des plans
d’expériences (Goupy, 2001).

- 16
Partie Chapitre II : Méthodologie : Plans d’expérience-

2.7. Test de signification des paramètres

L’hypothèse est que la vrai valeur du paramètre  j est nulle alors t suit une loi de
j

Student à =(N(m-1)) degré de liberté. Le test consiste à comparer t au seuil t N (m1) (Baléo et
j 1 / 2

al., 2003).

Quand le nombre de données N est petit, il est préférable d’employer le quantile d’ordre
(1- / 2 ) de la loi de Student, où est le niveau de signification choisi (Mélard, 1991).

bj
La valeur calculée du critère de Student est : tj  (9)
b j

 2 Y 
 2 bj  1
(10)
Nm

 b   2 b j 
j
(11)

 2 Y 
N

u
 1 Y  
2 u 1
N (12)

12 y : La moyenne des variances de la série (variance de reproductibilité) ;

b j : Valeur absolue du coefficient b j ;

 b : L’écart type du coefficient b j .


j

Pour l’équation factorielle totale  2 bj=constante.

Ce test est dit bilatéral (on n’a pas à priori une idée sur le signe du coefficient dans la
population), c'est-à-dire qu’on rejette l’hypothèse à tester que le cœfficient soit positif ou
négatif et de valeur absolue trop grande (Mélard, 1991).

Si t j
> t N (m1) , l’hypothèse   est fausse et doit être rejeté, on considère que la valeur
0 1 / j
2
observée de b est significative.
j

- 17
Partie Chapitre II : Méthodologie : Plans d’expérience-

Si t j
< t1N(m1)
/
, alors l’hypothèse  j  0 ne peut être exclue et doit être conservée, la
2
valeur observée de b n’est pas significative (Baléo et al., 2003).
j

2.8. Vérification de l’adéquation du modèle mathématique

Il s’agit de vérifier si le modèle estimé explique correctement les variations de la réponse


observée (Schimmerling et al., 1998).

2.8.1. Le test de Fisher-Snedecor

La valeur calculée du critère de Fisher est donnée par : Fc   2 Y 


2
(13)
2
1 

m Y  Yic  2

 22 Y  (14)

i
N  Zs
 i1

Fc>1, pour les valeurs de F comprises entre 0 et 1, on a :

F1 P 1
 1, 2  (15)
 Fp  , 1 
2

 12 Y  : La moyenne des variances de la série ;

 22 Y  : La variance d’adéquation ;

Yi : Valeur moyenne du paramètre d’optimisation dans la ième expérience ;

Yic : Valeur du paramètre d’optimisation dans la ième expérience, calculée d’après le

modèle mathématique obtenu ;

m : Le nombre de répétitions ;

N : Le nombre d’expériences ;

Z s : Le nombre de coefficients significatifs dans le modèle mathématique.


- 18
Partie Chapitre II : Méthodologie : Plans d’expérience-

Si Fc<Ft( =0.05,  1, 2 ), le modèle obtenu est adéquat ;

- 19
Partie Chapitre II : Méthodologie : Plans d’expérience-

Si Fc>Ft( =0.05,  1, 2 ), le modèle n’est pas adéquat , il faut passer à la recherche d’un
modèle plus complexe.

2.8.2. Une autre méthode pour contrôler la validité du modèle consistant à réaliser des
mesures au centre du domaine expérimental. On compare ainsi la moyenne calculée à partir du
modèle et la moyenne mesurée, si les deux valeurs sont proches (l’écart est acceptable) cela
signifie que le modèle est valide sinon il faut chercher un modèle plus complexe (Goupy,
2001 ; Schimmerling et al., 1998).

Le modèle mathématique ne présente pas la même précision dans tous le domaine


expérimental, c’est au point central qu’il est le plus précis (Goupy, 2001).

3. Utilité du plan 2k

Les plans factoriels sont les seuls qui permettent l’étude des modèles matriciels complets.

L’avantage de ces plans est qu’ils fournissent l’effet lui même avec son signe.
L’interprétation est beaucoup plus facile.

D’une manière générale, le modèle peut servir à 2 utilisations principales :

-identifier la meilleure combinaison des niveaux des facteurs ;

-établir des prévisions.

Lorsque le nombre de facteur devient supérieur à 4 ou 5, ils conduisent à un nombre de


combinaisons jugé en général trop élevé, même si le nombre de niveaux des facteurs est limité
à 2 (Schimmerling et al., 1998).

II. Notions sur la méthodologie de Box-Jenkins

1. Définition

Une série chronologique, aussi appelée série temporelle ou chronique (Mélard, 1991) est
un ensemble d’observations d’un processus aléatoire (voir annexe 2) ( X t ) t 
se réalisant en
T
un instant spécifié t  T . Elle peut être discrète (l’ensemble des instant d’observation est

- 20
Partie Chapitre II : Méthodologie : Plans d’expérience-

discret) ou continue (l’ensemble des instants d’observations est non dénombrables)


(Bourbonnais, 1998).

2. Les composantes d’une série chronologique

Les séries chronologiques ont non seulement une moyenne non nulle mais ne sont pas
stationnaires : elles comportent également une tendance, une saisonnalité ou même une
structure plus complexe (Mélard, 1991).

L’examen de cette série mis en évidence quatre composantes fondamentales


(Bourbonnais, 1998).

2.1. La tendance (trend) (Ts)

Elle est censée décrire le mouvement à long terme d’une série chronologique. Ce
mouvement est représenté généralement par des formes analytiques simple telles que :
polynomiale, logarithmique, exponentielle… (Bourbonnais, 1998).

2.2. La composante cyclique (Ct)

C’est une succession de mouvement persistants des variations ascendantes (période de


prospérité), et des variations descendantes (période de dépression) retraçant le cycle
économique (Bourbonnais, 1998).

2.3. La composante saisonnière (St)

C’est une composante cyclique relativement régulière de période intra annuelle et qui
correspond souvent à des phénomènes de mode, de coutume, de climat… (Bourbonnais,
1998).

2.4. La composante résiduelle (  t )

Elle rassemble tous ce que les autres composantes n’ont pas expliqué. Elle contient donc
de nombreuses fluctuations, en particulier accidentelles, dont le caractère est imprévisible
(grève, guerre, catastrophes naturelles…) (Bourbonnais, 1998).

- 21
Partie Chapitre II : Méthodologie : Plans d’expérience-

3. La stationnarité

Les séries économiques présentent souvent des réalisations non stationnaires, ces séries
admettent une moyenne et une variance qui varient dans le temps, or les outils statistiques ne
s’appliquent pas à des séries qui ne sont pas stationnaires (Bourbonnais, 1998).

On distingue deux types de non stationnarité :

3.1. Processus de type TS (trend stationary)

Représente une non stationnarité de nature déterministe.

3.2. Processus de type DS (differency stationary)

Représente une non stationnarité de type stockastique.

3.3. Test de Dickey-Fuller DF (1979) (tests de racine unitaires)

Ce test permet de mettre en évidence le caractère stationnaire ou non d’une chronique par
la détermination d’une tendance déterministe ou stochastique (voir annexe 2) (Bourbonnais,
1998).

4. Les processus ARMA , ARIMA

4.1. Les processus ARMA

Les processus autorégressifs AR(p), les processus moyenne mobile MA(q) et les processus
mixtes ARMA (p,q) ont été introduits comme des processus aléatoires stationnaires. Ils
serviront de modèles pour décrire l’évolution des séries chronologiques, c'est-à-dire une série
chronologique pourra être vue comme une réalisation de ce processus ARMA (Mélard, 1991).

Ce modèle combine une partie AR(p) et une partie MA(q). En d’autres termes il contient
des valeurs passées
X t 1 , X t 2 ,..., X t et des erreurs passées  t 1 , t 2 ,..., t (Bourbonnais,
1998). p q

En général, un processus ARMA(p,q) appelé processus mixte autorégressif moyenne


mobile d’ordre (p,q) est définit par l’équation suivante :

- 22
Partie Chapitre II : Méthodologie : Plans d’expérience-

(1   L  ...   Lp ) X =(1   L  ...   Lq )  (16)


1 p t 1 q t

Où :

(1  1L  ...  Lp ) : Polynôme en l’opérateur de retard L s’appelle le polynôme


p

autorégressif de degré p ou AR(p) ;

(1  1 L  ...  q Lq ) : Est le polynôme moyenne mobile de degré q ou MA (q).

t : Innovations constituent un processus bruit blanc (voir annexe 2) de variance 2 .

1,..., p ,1,..., q : Les paramètres du processus.

p : le retard maximum des variables du passé.

q : le retard maximum des innovations du passé.

L : opérateur de retard linéaire tel que Lyt  y , plus généralement LnY  Y .


t t n
1 t

Les coefficients des polynômes autorégressif et moyenne mobile sont précédé d’un signe
moins, suivant la notation popularisé par Box et Jenkins (1976) (Mélard, 1991).

Un processus AR(p)= ARMA(p,0) et MA(q)=ARMA(0,q).

Un processus ARMA (p,q) est stationnaire, si le polynôme


 p (Z ) a toute ses racines en

valeurs absolue inférieur à 1, et inversible si toutes les racines du polynôme


 q (Z ) sont en
valeurs absolue inférieures à 1 (Bourbonnais, 1998).

4.2. Les processus ARIMA

Dans le cas d’un processus de type DS on utilise des filtres aux différence (afin de
stationnariser la série) ce qui nous conduit à définir les processus ARMA intégrés, noté
ARIMA (Auto Regressive Integrated Moving Average).

La forme ARIMA d’ordre p, d, q ou ARIMA (p, d, q) d’une méthode de prévision

- 23
Partie Chapitre II : Méthodologie : Plans d’expérience-
extrapolative décrit la relation entre l’observation yt , l’erreur de prévision
 t et les valeurs
retardées des observations et des erreurs de prévisions. Elle est définit ainsi (Mélard, 1991) :

- 24
Partie Chapitre II : Méthodologie : Plans d’expérience-

(1  1L  ...  Lp )  d X =(1   L  ...  Lq )  (17)


1
p 
t q t

Ajoutons aux caractéristiques du processus ARMA la présence de l’opérateur de


différence  pour le processus ARIMA tel que :

X t  X  X
t t 1  (1  L) (18)
Xt

 d : Opérateur de différence de degré d.

 d X  (1  L)d X (19)
t t

L’application des tests de racine unitaire nous permet du moins en théorie de déterminer si
le processus est de type DS ou TS.

5. Notions sur la méthode de Box et Jenkins

La méthode de Box et Jenkins (1976), permet en plusieurs étapes de trouver un modèle


ARMA susceptible de représenter une série chronologique (Mélard, 1991).

Il s’agit d’une méthode de prévision extrapolative puisque seul le passé de la variable est
utilisé à cette fin, sans apport d’informations extérieures (Mélard, 1991).

La méthode de prévision de Box-Jenkins est particulièrement bien adaptée au traitement


de séries chronologiques complexes et en général aux situations dans lesquelles la loi de base
n’est pas immédiatement apparente. Comme elle traite des situations beaucoup plus
compliquées, il est bien plus difficile de saisir les principes de cette technique, d’autant plus
que son application présente certaines limites (Bourbonnais, 1998).

En décrivant leur méthode de prévision George Box et G wilym Jenkins ont établi le
diagramme présenté par la figureV.1.

Cette démarche divise le problème de prévision en 5 étapes pour pouvoir trouver le


modèle ARMA susceptible de représenter la série chronologique, et la dernière étape c’est
l’étape de prévision :

- 25
Partie Chapitre II : Méthodologie : Plans d’expérience-

1-Analyse préliminaire-(Stationnarisation).

2-Identification.

3- Estimation.

4- Tests de diagnostic (validation du modèle).

5-Prévision.

Ces différentes étapes sont plus détaillées en anexe 2.

- 26
Partie Chapitre II : Méthodologie : Plans d’expérience-

Analyse préliminaire (stationnarisation) :

élimination de la tendance
élimination de la saisonnalité

Identification
Analyse des P(h) et r(h)
Détermination des ordres p, q

Estimation des paramètresdu modèle


NON

OUI
Diagnostic ou validation du modèle :
Prévision à partir du modèle re

analyse des coefficients


analyse des résidus

Figure II.1 : procédure itérative de Box-Jenkins (Bourbonnais, 1998)

- 27
La partie expérimentale comporte deux cas d’étude :

La première partie porte sur une étude prospective de la production de dattes communes
en Algérie, par application de la méthodologie de Box-Jenkins ; dont l’objectif est
l’élaboration d’un modèle mathématique, permettant de fournir des prévisions à court et à
moyen terme sur la production de dattes communes (sèches) en Algérie.

La deuxième partie concerne le séchage de dattes Mech-Degla (séchage conventionnel et


séchage par utilisation des MW), en appliquant un plan factoriel complet 24. Nous verrons
pour chaque cas, quels sont les facteurs les plus influents et nous révélerons les combinaisons
donnant les réponses optimales. Nous choisissons comme indice de qualité la couleur des
dattes que nous modélisons également. Le but de cette partie est la modélisation :

1) du séchage conventionnel et du séchage par MW des dattes Mech-Degla ;

2) la variation de l’indice de couleur associé pour chaque mode de séchage.


Partie Chapitre III : Matériels et

1. Matériels

1.1. Matériel pour les prévisions

Lors de l’étude prospective, nous avons utilisé des documents du ministère algérien de
l’agriculture de 1980 à 2006.

Les logiciels Eviews et SPSS sont également utilisés.

1.2. Matériel végétal

Les dattes utilisées dans cette étude sont de la variété Mech-Degla, achetées durant la
période allant du 14-04 au 06-06-2008 chez un marchand de dattes dans la ville de
Boumerdès. Elles ont pour origine les palmiers de Biskra.

Les dattes sont stockées au réfrigérateur à 7°C dans le but de ralentir la respiration, les
changements chimiques et physiologiques (Maskan, 2000). Avant séchage, elles sont
nettoyées, dénoyautées (les noyaux sont récupérés pour servir pour une autre étude) et coupées
en 2 et en 16 parties approximativement égales. Nous désignerons respectivement, ces deux
dimensions dans la suite du travail par (D1/2) et (D1/16) correspondant aux niveaux maximum
(+) et minimum (-) d’un plan factoriel complet à deux niveaux.

La variété Mech-Degla est une dattes de seconde qualité qui ne coûte pas chère, elle est
connue par ses qualités nutritionnelles (source d’énergie) et sa disponibilité sur le marché ainsi
que sa facilité de conservation.

2. Méthodes d’analyses

2.1. Application de la méthodologie de Box-Jenkins

Pour réaliser l’étude prospective de la production de dattes communes, nous avons


appliqué la méthodologie de Box-Jenkins dont les étapes sont données en partie théorique.

Vu la particularité de cette méthode (utilisation de logiciels), nous récapitulons les


différentes étapes de cette méthode :

2.1.1. Analyse préliminaire ;

2.1.2. Test sur la non stationnarité ;

- 25
Partie Chapitre III : Matériels et

2.1.3. Test de racine unitaire DF sur la série différenciée (  DATt) ;

2.1.4. Examen du correlogramme de la série différenciée (  DATt) ;

2.1.5. Graphe des séries : réelle, estimée et résidus ;

2.1.6. Tests sur les résidus ;

2.1.7. Prévision de la production de dattes communes.

2.2. Modélisation du processus de séchage des dattes et de la variation de l’indice de


couleur

2.2.1. Détermination de la teneur en eau initiale des dattes

Pour déterminer la teneur en eau initiale des dattes utilisées, nous avons pris trois capsules
métalliques préalablement nettoyées, séchées et refroidis dans un dessiccateur, à l’intérieur des
quelles nous avons mis 1g de dattes broyé et homogénéisé.

Les capsules contenant les échantillons sont ensuite placées à l’étuve (à air statique), à 105
± 2°C selon la méthode décrite par (Acourene et Tama, 1997). Après une heure de séchage, les
capsules sont retirées de l’étuve et placées dans un dessiccateur pour qu’elles se refroidissent,
nous avons ensuite pesé chaque échantillon avec une balance de précision 0.001 g.

Cette opération est répétée régulièrement pour chaque intervalle de 30 min. Le séchage est
arrêté lorsque la variation du poids de l’échantillon devient négligeable.

La formule utilisée pour le calcul de la teneur en eau initiale est la suivante :

 P  P
We / m.h   0 f
  (20)
 
P0 100

P  P  
W
0 e / m.s
 f
100 (21)
P 
 f 

Wm.s  100  We / m.s (22)

We / m.h : Teneur en eau initiale par rapport à la masse humide en % ;

- 26
Partie Chapitre III : Matériels et

We / m.s : Teneur en eau initiale par rapport à la masse sèche en % ;

Wm.s : Teneur en matière sèche des dattes en % ;

P0 : Masse initiale de l’échantillon en g ;

Pf : Masse finale de l’échantillon en g correspondant à une masse constante.

La teneur en eau des dattes est la moyenne de 3 valeurs.

2.2.2. Le séchage conventionnel des dattes

Nous avons appliqué un plan factoriel complet 2 4 pour la modélisation du séchage des
dattes à l’air chaud.

D’après les résultats de l’expérience préliminaire, 4 facteurs jugés influents sont fixés : la
température (°C), le temps (min), la dimension, la masse (g). Pour chaque facteur nous avons
fixé deux niveaux : le niveau haut et le niveau bas. Nous avons alors 16 expériences à réaliser.

Lors du séchage, les morceaux de dattes sont étalés en monocouche. L’échantillon est pesé
avant et après séchage (précision de la balance est de 0.001g). La réponse étant la teneur en
eau des dattes séchées obtenue selon cette formule :

 P0 We / m.h  
 P  P 
We / m.s 0 t 
t   100 P W  100 (23)


 0 m.s 
 100 

We / m.s t  : La teneur en eau en % par rapport à la masse sèche au temps t ;

Wm.s : La teneur en masse sèche en % ;

Pour chaque expérience la teneur en eau est la moyenne de trois valeurs.

- 27
Partie Chapitre III : Matériels et

2.2.3. Le séchage des dattes au micro-onde

Un plan factoriel complet 24 est également appliqué ici et la même démarche que
précédemment est suivie, sauf que le premier facteur est la puissance en (w) et le temps est
mesuré en seconde. Les morceaux de dattes sont étalés uniformément sur une assiette en verre,
et puis séchés au MO conformément à la procédure appliquée par (Arslan et Musa Ozcan,
2007) pour le séchage des feuilles du romarin au MO.

2.2.4. Mesure de la variation de couleur et du niveau critique de couleur

Pour les deux modes de séchage, la différence de couleur totale des dattes par rapport à un
standard est considérée comme étant une 2ème réponse à modéliser. La couleur est mesurée par
un colorimètre (CM-2500d MINOLTA) fonctionnant en présence d’un logiciel ISOCOLOR.
Les paramètres L*, a*, b* et dE* sont donnés par le colorimètre tel que (bMaskan, 2001) :

L* : la clarté varie entre 0 (noir pur) et 100 (blanc pur) ;

a* : mesure le rouge quand c’est positif et le vert quand c’est négatif ;

b* : mesure le jaune quand c’est positif et le bleu quand c’est négatif.

L’échantillon pris comme standard étant des dattes lyophilisées à 1.1 10 0 mBar et une
température de -048,2 à -049,0°C pendant 15 h.

Ce colorimètre exige que l’échantillon soit sous forme solide. Pour cette raison et avant la
mesure de la couleur, les échantillons séchés ainsi que celui lyophilisé sont broyés, tamisés
(ouverture du tamis 1 mm), pastillés (sous une force de 1,5 tonne).

Pour calibrer le colorimètre, nous plaçons d’abord le piège à lumière de couleur noir pour
éliminer la lumière parasite puis l’étalon blanc de référence jusqu’à ce qu’une boite de
dialogue s’affiche sur l’écran du PC en indiquant une calibration terminée. La même
procédure que le séchage est utilisée pour la modélisation. Le colorimètre répète la mesure 4
fois.

Dans le but d’évaluer la coloration maximale (couleur critique) qu’une poudre de datte
peut atteindre sans brûler ou changer de goût, nous avons séché un échantillon de poudre de
datte lyophilisée dans une étuve avec ventilation d’air avec application de deux paliers de

- 28
Partie Chapitre III : Matériels et

températures : 55°C pendant 15 heures puis 140°C tant que la caramélisation limite n’est pas
visible à l’œil nu.

2.2.5. Analyse statistique

Pour pouvoir juger de l’homogénéité des variances, de la signification des paramètres des
modèles, et de leur validité nous avons procédé aux tests suivants : test de Cochran, test de
Student et le test de Fisher (voir annexe 1).

Les paramètres des modèles sont déterminés par la régression linéaire multiple (RLM) en
utilisant le logiciel SPSS.

Dans le but de confirmer la validité des modèles obtenus (partie séchage), le critère du
coefficient de détermination est utilisé R2.

Lorsque le coefficient de détermination R2 est élevé, la régression est bonne (Arslan et


Musa Ozcan, 2007).

- 29
Partie Chapitre IV: Résultats et

1. Analyse statistique et prévisionnelle de la production des dattes sèches en Algérie :


étude de la série production annuelle de dattes sèches (DATt)

1.1. Analyse préliminaire

La série (DATt) représente l’évolution de la production de dattes sèches en Algérie de


1980 à 2005. Elle comporte donc 26 observations.

1.1.1. Représentation graphique

La représentation graphique (Figure IV.1 ) est la première étape de l’analyse des séries
temporelles, elle nous fournit une idée globale sur la nature et les caractéristiques du
processus.

1800000

1600000

1400000

1200000

1000000

800000

600000

400000
1980 1985 1990 1995 2000 2005

DAT

Figure IV.1 : Représentation graphique de la série brute (DATt)

La figure ci-dessus laisse clairement apparaître une augmentation de la production de


dattes sèches de 1995 à 2005.

- 30
Partie Chapitre IV: Résultats et

1.1.2. Correlogamme de la série (DATt)

La figure IV.2 illustre les différentes autocorrelations du correlogramme de la série DATt.

Figure IV.2 : Correlogramme de la série (DATt)

On y trouve les autocorrelations simples (AC) et les autocorrelations partielles (PAC)


qui sont fournies par le logiciel Econometric views (Eviews) .Les bornes de l’intervalle de
confiance sont stylisée par des pointillés, chaque terme sortant de cet intervalle est donc
significativement différent de zéro au seuil 5%.

Eviews fournit aussi la statistique (Q-stat) de Ljung et Box de chaque retard, il spécifie
dans la première colonne des valeurs numériques munies de sa probabilité critique (Prob).

Nous observons des correlogammes typiques d’une série chronologique affectée d’une
tendance : un correlogramme simple dont les valeurs diminuent, alors que le correlogramme
partiel a uniquement le premier terme différent de zéro (0.836).Nous pouvons ainsi conclure
que la série n’est pas stationnaire.

- 31
Partie Chapitre IV: Résultats et

On passe à des tests plus sophistiqués pour la confirmer, et détecter la nature de la non
stationnarité.

1.2. Test sur la non stationnarité

1.2.1. Test de racine unitaire (test de Dickey-Fuller)

A l’aide du logiciel Eviews nous appliquons le test de Dickey-Fuller simple sur la série
(DATt) .

La statistique de Dicky-Fuller , le modèle [1], [2] et [3] ainsi que les autres paramètres y
afférents sont donnés comme suit :

Modèle [3] : DATt  DATt 1  c  bt   t (24)

ADF Test Statistic -1.688098 1% Critical Value* -4.3738


5% Critical Value -3.6027
10% Critical Value -3.2367
Variable Coefficient Std. Error t-Statistic Prob.
DAT(-1) -0.227237 0.134611 -1.688098 0.1055
C 56090.75 72884.87 0.769580 0.4497
@TREND(1980) 14680.88 6494.296 2.260581 0.0340

On trouve T=-1.688098 supérieure aux valeurs critique fournies (-4.3738 au seuil1%,


-3.6027 au seuil 5% et -3.2367 au seuil 10%) : nous acceptons en conséquence l’hypothèse de
l’existence de racine unitaire et donc la série n’est pas stationnaire.

La valeur empirique de la statistique de student (t-Statistic) relative à la tendance


(@TREND (1980)) et égale à 2.26058, inférieure aux valeurs théoriques : 3.49 ; 2.79 ; et 2.38
tabulées par Dicky-Fuller aux seuils 1% ; 5% ; 10% respectivement. Il s’ensuit que le
coefficient de la tendance n’est pas significativement différent de zéro, ainsi le processus n’est
pas de type TS (Trend Stationnaire).

- 32
Partie Chapitre IV: Résultats et

Modèle [2] : DAT t  DAT  c   (25)


t 1 t

ADF Test Statistic 0.343643 1% Critical Value* -3.7204


5% Critical Value -2.9850
10% Critical Value -2.6318
Variable Coefficient Std. Error t-Statistic Prob.
DAT(-1) 0.027477 0.079959 0.343643 0.7342
C 18193.78 77008.18 0.236258 0.8153

La statistique de Student relative à la constante vaut 0.236258, inférieure à la valeur


critique 2.53 tabulée par Dicky-Fuller au seuil de 5%. En conséquence la constante n’est pas
significativement différente de zéro.

Modèle [1] : DATt  DATt 1   t (26)

ADF Test Statistic 1.592826 1% Critical Value* -2.6603


5% Critical Value -1.9552
10% Critical Value -1.6228
Variable Coefficient Std. Error t-Statistic Prob.
DAT(-1) 0.045093 0.028310 1.592826 0.1243

La statistique de Dicky-Fuller (1.592826) est supérieure aux différentes valeurs critiques


relatives (-2.6603, -1.9552, -1.6228) aux seuils de 1%, 5% et 10 %. Donc nous acceptons
l’existence de racine unitaire.

D’après les résultats révélés par le test de DF nous concluons que la série n’est pas
stationnaire (de type DS). La meilleure façon de la rendre stationnaire est l’application du
filtre à différence première (1-L). Nous procédons donc à l’analyse de la série ∆DATt (Figure
IV.3).

- 33
Partie Chapitre IV: Résultats et

400000

300000

200000

100000

-100000

-200000

-300000
1980 1985 1990 1995 2000 2005

D(DAT)

Figure IV.3 : Représentation graphique de la série différenciée ∆DATt

1.3. Test de racine unitaire DF sur la série différenciée ∆DATt

L’application du test de DF à la série ∆DATt nous a donné les résultats suivants (Modèles
[1], [2], [3] et tableaux de statistiques y afférentes) :

Modèle [3] : 2DAT  DAT  c  bt   (27)


t t
1 t

ADF Test Statistic -5.296077 1% Critical Value* -4.3942


5% Critical Value -3.6118
10% Critical Value -3.2418

Variable Coefficient Std. Error t-Statistic Prob.


D(DAT(-1)) -1.147110 0.216596 -5.296077 0.0000
C -46237.03 61425.73 -0.752731 0.4600
@TREND(1980) 6974.199 4151.684 1.679848 0.1078

La statistique tφ=-5.296077 est inférieure à toutes les valeurs critiques : -4.3942 ;


-3.6118 et -3.2418 aux seuils 1% ; 5% et 10% (respectivement), donc nous rejetons
l’hypothèse de la non stationnarité (pas de racine unitaire).

- 34
Partie Chapitre IV: Résultats et

La statistique de Student relative à la tendance 1.679848 est inférieure à toutes les


valeurs critiques tabulées par DF : 3.49 au seuil 1% ; 2.79 au seuil 5% et 2.38 au seuil 10%,
donc le coefficient de la tendance n’est pas significativement différent de zéro.

Modèle [2] : 2DAT  DAT  c   (28)


t t t
1

ADF Test Statistic -4.844849 1% Critical Value* -3.7343


5% Critical Value -2.9907
10% Critical Value -2.6348
Variable Coefficient Std. Error t-Statistic Prob.
D(DAT(-1)) -1.060782 0.218950 -4.844849 0.0001
C 44767.84 30127.48 1.485947 0.1515

La statistique de Student relative à la constante t=1.485947, inférieure à toutes les


valeurs critiques tabulées par DF : 3.19 ; 2.53 ; et 2.16 aux seuils 1% ; 5% et 10%
(respectivement), ici aussi la constante n’est pas significativement différente de zéro.

Modèle [1] : 2DAT  DAT   (29)


t t t
1

ADF Test Statistic -4.499474 1% Critical Value* -2.6649


5% Critical Value -1.9559
10% Critical Value -1.6231
Variable Coefficient Std. Error t-Statistic Prob.
D(DAT(-1)) -0.974593 0.216602 -4.499474 0.0002

Nous avons T-stat= -4.499474 inférieure à toutes les valeurs critiques (-2.6649 ;
1.9559 et -1.6231), nous concluons alors que la série ∆DATt est stationnaire.

- 35
Partie Chapitre IV: Résultats et

1.4. Examen du corrélogramme de la série différenciée ∆DATt

La figure IV.4 montre le corrélogramme de la série différenciée ∆DATt.

Figure IV.4 : Correlogramme de la série différenciée (  DATt)

Le corrélogramme simple indique deux termes significatifs, le premier retard et le


huitième retard ; le corrélogramme partiel indique un seul terme significatif, le premier retard.

Par conséquent les modèles susceptibles de représenter l’évolution de la production de


dattes sèches sont du type : ARIMA (0.1.8), ARIMA(1.1.6)…..etc.

1.4.1. Identification du modèle  DATt

Le meilleur modèle sera celui dont les critères d’information d’Akaike (AIC), Schwarz
(SC) et la somme des carrées des résidus (SSR) sont minimums et le coefficient de
détermination R2 maximum (Tableau IV.1).

- 36
Partie Chapitre IV: Résultats et

Tableau IV.1 : les meilleurs modèles représentant la série  DAT

Les paramètres statistiques ARIMA (0.1.8) ARIMA (1.1.6)

R2 0.36 0.26

AIC 26.22 26.59

SC 26.37 26.84

SSR 2.83 1011 3.29 1011

D’après ces données, il est aisé de voir que le modèle ARIMA (0.1.8) présente des
critères statistiques meilleurs que le modèle ARIMA (1.1.6).

1.4.2. Estimation du modèle ARIMA (0.1.8)

A l’aide du logiciel Eviews, nous trouvons les résultats d’estimation de ce modèle


(Tableau IV.2 ).

Tableau IV.2 : Estimation du modèle ARIMA (0.1.8)

Variable Coefficient Std. Error t-Statistic Prob.


MA(6) 0.210705 0.104454 2.017206 0.0560
MA(7) 0.426086 0.133440 3.193094 0.0042
MA(8) -0.569942 0.128216 -4.445162 0.0002
R-squared 0.367795 Mean dependent var 42870.16
Adjusted R-squared 0.310322 S.D. dependent var 136509.5
S.E. of regression 113366.8 Akaike info criterion 26.22681
Sum squared resid 2.83E+11 Schwarz criterion 26.37308
Log likelihood -324.8352 Durbin-Watson stat 1.567879
Inverted MA Roots .77

- 37
Partie Chapitre IV: Résultats et

1.4.3. Tests d’adéquation du modèle ARIMA (0.1.8)

a- Test sur les paramètres

Nous pouvons noter que les rapports de Student des trois coefficients du modèle ARIMA
(0.1.8) sont supérieurs en valeur absolus à 1.96, ils sont donc significativement différents de
zéro et ceci est confirmé par les probabilités de nullité de ces coefficients qui sont inférieures à
0.05.

Les racines des polynômes moyennes mobiles sont toutes supérieures en module à 1.

b- Test sur les résidus

Les résultats trouvés sont montrés par le corrélogramme de la figure IV.5

Figure IV.5 : Correlogramme des résidus

D’après le corrélogramme des résidus, on remarque que tous les pics sont à l’intérieur
de la bande de confiance, d’où il ressort que les résidus sont des bruits blancs.

- 38
Partie Chapitre IV: Résultats et

1.5. Graphe des séries : réelle, estimée et résidus

La figure IV.6 illustre les résultats obtenus.

400000

200000

300000
0
200000
-200000
100000
-400000
0

-100000

-200000
1985 1990 1995 2000 2005

Residual Actual Fitted


Figure IV.6 : graphe des séries réelles et estimées

1.6. Test sur les résidus

1.6.1. Test de Box-Ljung

Ce test est utilisé pour tester l’hypothèse nulle

H0 : « les résidus forment un bruit blanc »

Q-stat =12.419 <  17 2 =27.587 au seuil 5%.

En conséquence les résidus forment un bruit blanc.

1.6.2. Test de normalité

On test l’hypothèse nulle (Figure IV.7) :

H0 : « les résidus suivent une loi normale ».

- 39
Partie Chapitre IV: Résultats et

7
Series: Residuals Sample 1981 2005
Observations 25
6
Mean35075.75
Median32027.76
5 Maximum241843.9
Minimum-188078.8
4 Std. Dev.102466.9
Skewness0.046722
3 Kurtosis2.881321
Jarque-Bera0.023767
2 Probability0.988187

0
-200000 -100000 0
100000 200000

Figure IV.7 : Histogramme de Jarque-Bera

a-Test de Skewness : (S )1/2 = 0.046722 donc V =


SK 1/ 2 =0.097 < 1.96. (30)
k 1 6
26

V1=0.097 < 1.96 : on accepte l’hypothèse de symétrie.

Ku  3
b- Test de Kurtosis : KU= 2.881321 donc V2= 24 / 26 =0.12 < 1.96. (31)

V2= 0.12< 1.96 : on accepte l’hypothèse d’aplatissement.

26
c- Test de Jarque-Bera : JB= Sk+
6 26
(KU-3)2 = 0.0237. (32)
24

La statistique de Jarque-Bera (JB=0.023) est inférieur à la valeur  2


2 =5.99.
0.05

En conclusion, nous acceptons l’hypothèse de normalité, donc les résidus forment un bruit
blanc gaussien.

- 40
Partie Chapitre IV: Résultats et

1.6.3. Test d’hétéroscédasticité

L’hypothèse à tester est :

H0 :« les résidus sont homoscédastiques » ;

Contre H1 : « les résidus sont hétéroscédastiques ».

a- Corrélogramme des résidus au carré :

Le corrélogramme de la figure IV.8 donne les résultas obtenus.

Figure IV.8 : Correlogramme des résidus au carré

b- Test de Box-Ljung

Au seuil de 5% ; Q= 15.03 <


17 2 = 27.587.

Les résidus au carré sont alors non corrélés, d’où : les résidus sont homoscédastiques.

- 41
Partie Chapitre IV: Résultats et

Conclusion

D’après la méthode appliquée de Box-Junkins nous pouvons conclure que le modèle


ARIMA (0.1.8) est adéquat.

D’où le modèle retenu :

(1 L)DATt  0.21t6  0.42t7  0.56t8   t (33)

1.7. Prévision de la production de dattes S7CHes DATt

Le tableau IV.3 et la figure IV.9 donne les prévisions de la production des dattes sèches.

Tableau IV.3 : prévision de la production de dattes communes

Année 2006 2007 2008 2009 2010

Prévision 1470,395 1374,871 1496,886 1587,162 1603,839


(tonnes)

Données réelles 1649,170


(tonnes)

Ecarts 12.16
relatifs (%)

- 42
Partie Chapitre IV: Résultats et

2000000

1800000

1600000

1400000

1200000

1000000

800000
DAT1

600000
Valeur

Fit for DAT fr om

400000 ARI MA, MOD_1


1980 1984 1988 1992 1996 2000 2004 2008 CON

1982
1986 1990 1994 1998 2002 2006 2010

DATE. FORMAT: "YYYY"

Figure IV.9 : Prévision de la série production de dattes sèches DATt.

De ces résultats il convient de s’attendre à une augmentation de la production de dattes


sèches en Algérie d’ici l’an 2010. Nous suggérons de ce fait une attention particulière à la
valorisation de dattes sèches (variété Mech-Degla comprise) issues des palmerais du sud
algérien (Biskra).

- 43
Partie Chapitre IV: Résultats et

2. Modélisation du procédé de séchage conventionnel des dattes utilisées

Les dattes utilisées ont une teneur en eau de 10.45 % par rapport à la masse sèche (m.s).

2.1. Matrice des expériences (séchage conventionnel)

La matrice des expériences pour le séchage conventionnel est donnée par le tableau IV.4 :

Tableau IV.4 : matrice des expériences pour le séchage conventionnel des dattes Mech-
Degla

N X0 X1 X2 X3 X4 W1 W2 W3 WMOY
 2 y

1 + - - - - 8.13 7.85 7.85 7.943 0.026


2 + + - - - 6.59 6.47 5.81 6.290 0.176
3 + - + - - 6.62 8.33 6.65 7.200 0.958
4 + + + - - 3.76 2.70 2.95 3.137 0.307
5 + - - + - 8.74 8.44 8.28 8.487 0.054
6 + + - + - 7.75 7.04 7.23 7.340 0.135
7 + - + + - 7.44 9.95 7.48 8.290 2.067
8 + + + + - 4.39 4.53 4.67 4.530 0.020
9 + - - - + 7.75 7.78 7.54 7.690 0.017
10 + + - - + 6.33 5.84 5.66 5.943 0.120
11 + - + - + 6.30 8.28 6.58 7.053 1.148
12 + + + - + 4.25 3.94 4.14 4.110 0.025
13 + - - + + 8.39 8.70 8.31 8.467 0.042
14 + + - + + 7.28 7.55 7.50 7.443 0.021
15 + - + + + 7.81 7.68 7.64 7.710 0.008
16 + + + + + 5.43 7.73 5.58 6.247 1.656
∑ 107.88 6.78

Niveau- 55 15 1/16 5
(°C) (min) (g)
Niveau+ 85 60 1/2 50
(°C) (min) (g)

X0 : constante, X1 : la température, X2 : le temps, X3 : la dimension, X4 : la masse.

Pour toutes les modélisations que nous effectuons, la colonne X0 permet le calcul de la
constante des modèles b0.

Après avoir calculé les variances, le test de Cochran donne une valeur calculée
Cc=0.3049 < Ct (ν=m-1=2,  0.05 , N=16)=0.335, donc les variances sont homogènes et
l’expérience est reproductible.

- 44
Partie Chapitre IV: Résultats et

2.2. Calcul des coefficients du modèle (séchage conventionnel)

Le tableau IV.5 suivant donne les paramètres calculés par la RLM en utilisant le logiciel
SPSS ainsi que le critère de Student calculé correspondant à chaque paramètre

Tableau IV.5: les paramètres du modèle (séchage conventionnel des dattes)


et leurs critères de Student calculé

paramètres tc paramètres tc

b0= 6.742 71.8 b23= 0.087 0.931

b1= -1.112 11.840 b24= 0.155 0.166

b2= -0.707 7.53 b34= 0.062 0.067

b3= 0.572 6.093 b123= 0.035 0.038

b4= 0.09 0.958 b124= 0.212 0.228

b12= -0.415 4.417 b234= -0.022 0.024

b13= 0.187 1.995 b134= 0.087 0.926

b14= 0.215 2.288 b1234= 0.06 0.064

Les paramètres sont jugés significatifs si tc  tt ( =0.025, =N(m-1)=32)=2.037.

- 45
Partie Chapitre IV: Résultats et

Pour toutes les modélisations que nous effectuons, le terme b0 représente la moyenne des
réponses de toutes les expériences du plan (c’est la constante du modèle). Les paramètres b 1,
b2, b3, b4 sont les effets moyens de la température, du temps, de la dimensions et de la charge
respectivement. Les autres paramètres représentent les effets d’ordre 2 et d’ordre 3 et d’ordre
4.

Nous avons alors 6 facteurs significatifs et le modèle s’écrit :

y  6.742 1.112 X1  0.707 X 2  0.572 X 3  0.415X1 X 2  0.215X1 (34)


X4

L’effet moyen de la température sur la réponse (humidité des dattes) est de (-1.112), un
effet négatif ne signifie pas effet néfaste. L’effet est négatif quand la réponse diminue lorsque
le facteur correspondant passe du niveau -1 au niveau +1. Il est naturellement dit positif quand
la réponse augmente lorsque le facteur correspondant passe du niveau -1 au niveau +1 (Goupy,
2001).

Nous pouvons donc dire que le passage da la température et du temps du niveau -1 au


niveau +1 (augmentation) provoque la diminution de l’humidité, alors que le facteur
dimension a un effet positif sur l’humidité.

Il est toujours préférable de représenter graphiquement les effets surtout les interactions
qui sont plus difficile à apprécier dans le modèle (Schimmerling et al., 1998).

Généralement les interactions d’ordre 2 sont beaucoup plus faibles que les interactions
d’ordre 1 et leur interprétation est plus difficile (Baléo et al., 2003).

- 46
Partie Chapitre IV: Résultats et

Représentation graphique des effets

La figure IV.10 illustre les résultats obtenus.

10

8
6.742 T(°C)
6 t(min) D
W(%)

0-101-101-101
Facteurs

Figure IV.10: représentation graphique des effets de la température, du temps


et du facteur dimension sur l’humidité des dattes (séchage conventionnel)

Le schéma ci-dessus montre que lorsqu’on passe du centre du domaine expérimental


(valeur moyenne du rendement 6.742) à la moyenne des rendements des niveaux hauts : de la
température, du temps et du facteur dimension, l’humidité diminue de (1.112), (0.707) points
et augmente de (0.572) points respectivement.

2.3. Test sur la validité du modèle

Le critère de Fisher calculé Fc=1.552< Ft(1  N  Zs  10, 2  N (m  1)  32 )=2.14,


donc le modèle est adéquat.

La corrélation, assez satisfaisante (R2 = 0.94), entre les valeurs prédites par le modèle et
les valeurs mesurées expérimentalement est illustrée par la figure IV.11.

- 47
Partie Chapitre IV: Résultats et

10

W prédites
6

4 W(%)
2

0 5 10
W mesurées y = 0,9434x + 0,3814
R2 = 0,9434

Figure IV.11 : représentation graphique des valeurs prédites en fonction des


valeurs mesurées (séchage conventionnel, humidité)

Goupy (2001) a donné une autre manière pour vérifier la validité du modèle, cela consiste
à comparer la moyenne calculée à partir du modèle et celle mesurée au centre du domaine
expérimental.

La moyenne des réponses, peut être regardée comme la valeur de la réponse lorsque tous
les facteurs sont au niveau zéro, c'est-à-dire la valeur de la réponse au centre du domaine
expérimental (Goupy, 2001).

La valeur calculé par le modèle est W=6.742 %.

La moyenne mesurée au centre du domaine (70°C, 37.5min, 9/32, 27.5g) est de 7.71% ±
0.093. Les deux valeurs sont proches, la validité du modèle est confirmée.

Le modèle mathématique ne présente pas la même précision dans tout le domaine


expérimental, c’est au point central qu’il est le plus précis (Goupy, 2001).

- 48
Partie Chapitre IV: Résultats et

3. Modélisation du procédé de séchage des dattes séchées au micro-onde

3.1. Matrice des expériences (séchage au MO)

La matrice des expériences donnée ci-dessous rassemble les résultats obtenus pour ce
mode de séchage :

Tableau IV.6: matrice des expériences pour le séchage au MO des dattes Mech-Degla

N X0 X1 X2 X3 X4 W1 W2 W3 WMOY
 2 y
1 + - - - - 10.05 10.14 9.98 10.057 0.006
2 + + - - - 8.43 7.43 7.91 7.923 0.250
3 + - + - - 9.69 9.61 9.99 9.763 0.040
4 + + + - - 1.73 0.65 1.07 1.150 0.296
5 + - - + - 9.84 10.35 9.07 9.753 0.415
6 + + - + - 4.82 5.54 2.37 4.243 2.762
7 + - + + - 8.74 8.31 8.92 8.657 0.098
8 + + + + - -5.35 -7.41 -6.22 -6.327 1.069
9 + - - - + 10.35 10.35 10.43 10.377 0.002
10 + + - - + 9.71 9.69 8.36 9.253 0.599
11 + - + - + 10.25 10.17 9.95 10.123 0.024
12 + + + - + 7.05 6.23 6.44 6.573 0.181
13 + - - + + 10.38 10.35 10.40 10.377 0.001
14 + + - + + 9.98 7.18 9.83 8.997 2.481
15 + - + + + 10.31 10.35 10.29 10.317 0.001
16 + + + + + 6.63 6.26 6.15 6.347 0.063
∑ 8.288

Niveau- 160 30 1/16 5


(w) (sec) (g)
Niveau+ 480 60 1/2 50
(w) (sec) (g)

Xo : constante, X1 : la puissance, X2 : le temps, X3 : la dimension, X4 : la masse.

Le critère de Cochran calculé Cc=0.3332<Ct( =2, N=16)=0.335 ce qui implique que les
variances sont homogènes et l’expérience reproductible.

3.2. Calcul des coefficients du modèle

Les paramètres du modèle sont donnés dans le tableau IV.7.

- 49
Partie Chapitre IV: Résultats et

Tableau IV.7 : les paramètres du modèle (séchage au MO des dattes) et leurs critères de Student calculé

Paramètres tc Paramètres tc

b0= 7.349 70.74 b23= -0.272 2.62

b1= -2.58 24.83 b24= 0.817 7.86

b2= -1.524 14.67 b34= 0.769 7.40

b3= -0.802 7.72 b123= -0.199 1.92

b4= 1.697 16.33 b124= 0.684 6.58

b12= -1.31 12.61 b234= 0.301 2.90

b13= -0.651 6.27 b134= 0.567 5.46

b14= 1.326 12.76 b1234= 0.177 1.71

En comparant le critère de Student calculé à la valeur tabulée tc  tt


( =0.025, =N(m-1)=32)=2.037, nous obtenons14 facteurs significatifs. Voici le modèle
obtenu :

Y=7.349-2.58X1-1.524X2-0.802X3+1.697X4-1.31X1X2-0.651X1X3+1.326X1X4

-0.272X2X3+0.817X2X4+0.769X3X4+0.684X1X2X4+0.301X2X3X4+0.567X1X3X4 (35)

- 50
Partie Chapitre IV: Résultats et

L’effet moyen de la puissance est de -2.58 c’est la valeur la plus élevée, donc c’est le
facteur le plus influent.

D’après la matrice des expériences nous remarquons que les teneurs en eau associées à la
puissance 480w sont inférieures à celles obtenues pour 160w. Ce qui montre que la vitesse de
séchage augmente avec l’augmentation de la puissance. Gowen et al., (2007) ont trouvé le
même résultat pour le séchage des grains de soja au MO.

Comme dans le cas du séchage conventionnel, la puissance et le temps ont des effets
négatifs sur la réponse. Plus, le séchage est beaucoup plus rapide par rapport au séchage
conventionnel, car pour atteindre par exemple une teneur en eau de 4 à 6% (valeur
généralement requise pour les poudres de fruits) un traitement de 1 min maximum suffit alors
que pour le séchage à l’air chaud cela nécessite 1h. Un autre avantage de ce procédé consiste
dans le choix de la dimension : D1/2 suffit pour atteindre la teneur en eau désirée contrairement
au séchage conventionnel où la dimension D1/16 est nécessaire. Le même résultat a été obtenu
par (Arslan et Musa Ozcan, 2007) pour le séchage des feuilles du romarin et par (Maskan,
2000) pour le séchage des kiwis.

Selon Arslan et Musa Ozcan (2007), le séchage au MO réduit le temps de séchage de plus
de 99% quand il est comparé au séchage à l’étuve : une teneur en eau de 3.95 % (m.s) (par
rapport à la masse sèche) est atteinte pendant 225 secondes au MO contre 12heure dans le cas
de l’étuve lorsqu’il s’agit d’atteindre 4.65% (m.s) pour les feuilles du romarin.

Beaucoup d’auteurs ont expliqué cette différence par la pénétration rapide de la chaleur
des MW qui s’accompagne de l’expulsion forcée des gaz (Maskan, 2000).

Dans notre cas, le séchage des dattes coupées en dimension D½ est beaucoup plus rapide
que celui des dattes coupées en dimensions D1/16. Ce résultat peut s’expliquer par la formation
d’une croûte imperméable à la surface des morceaux de fruit. En d’autres termes, la
désintégration de la datte (par diminution de D) favorise la caramélisation.

La charge a un effet positif sur la réponse, c'est-à-dire quand on passe du niveau – au


niveau + de la charge l’humidité augmente, phénomène somme toute normal puisque
l’augmentation de la charge accélère la saturation de l’agent de séchage.

- 51
Partie Chapitre IV: Résultats et

Les interactions d’ordre 3 sont faibles par rapport à celles d’ordre 2.

Une teneur en eau < 0% (-6.33%) est obtenue par la combinaison 480w, 60sec, 1/16, 5g.
Ceci peut s’expliquer par une baisse de poids au compte de la matière sèche (décomposition
des sucres).

Représentation graphique des effets

La figure IV.12 représente les effets des différents facteurs.

12

10

8 P(w)
7.349 t(min)
W(%)

6 D C(g)

0-1 0 1 .-1 0 1 -1 0 1 -1 0 1
Facteurs

Figure IV.12: représentation graphique des effets de la puissance, du temps, du facteur


dimension et de la charge sur l’humidité des dattes (séchage au MO)

La teneur en eau des dattes séchées diminue de 2.58, 1.524, 0.802 points et augmente de
1.697 points quand on passe du centre du domaine (valeur moyenne du rendement 7.349) à la
moyenne des rendements des niveaux + de la puissance, le temps, le facteur dimension et la
charge respectivement.

- 52
Partie Chapitre IV: Résultats et

3.3. Test sur la validité du modèle

Le critère de Fisher calculé Fc=3.28<Ft(ν1=2, ν2=32)=3.29, le modèle est adéquat.

La corrélation entre valeurs mesurées et valeurs calculées est très satisfaisante, R2=0.99
(voir figure IV.13 ci-dessus), cela signifie que le modèle décrit correctement la réalité :

12
10
8
W prédites

6
4 W(%)
2
0

0 5 10 15
W mesurées y = 1,0438x - 0,3872
R2 = 0,9927

Figure IV.13 : le représentation graphique des valeurs prédites en


fonction des valeurs mesurées (séchage au MO, humidité)

La réponse calculée au centre du domaine expérimentale à partir du modèle est 7.349,


celle mesurée au centre du domaine (320w, 45 sec, 9/32, 27.5g) est 8.72±0.104. Les deux
valeurs sont proches, nous confirmons la validité du modèle (Goupy, 2001).

- 53
Partie Chapitre IV: Résultats et

4. Modélisation de la couleur des dattes séchées par convection

La différence de couleur totale DE*, qui est une combinaison des valeurs des paramètres
L*, a*, b* est un paramètre colorimétrique largement utilisé pour caractériser la variation de
couleur des aliments durant le processus (Maskan, 2000).

Pour les deux modes de séchage, les caractéristiques mesurées de l’échantillon pris
comme standard (dattes lyophilisée) sont : L*=83.71, a*=3.93, b*=20.11 : c’est la couleur des
dattes naturelles (sans séchage).

4.1. Matrice des expériences (couleur, séchage conventionnel)

La matrice des expériences représentant la couleur des dattes séchées par convection est la
suivante :

Tableau IV.8 : matrice des expériences pour la couleur des dattes Mech-Degla séchées par convection

N X0 X1 X2 X3 X4 DE*1 DE*2 DE*3 DE*MOY  2 y 


1 + - - - - 7.01 12.86 12.97 10.947 11.626
2 + + - - - 7.87 11.70 5.81 8.460 8.934
3 + - + - - 6.74 4.01 5.48 5.410 1.867
4 + + + - - 8.14 11.02 6.77 8.643 4.706
5 + - - + - 8.78 7.08 10.08 8.647 2.263
6 + + - + - 10.26 12.04 5.93 9.410 9.875
7 + - + + - 12.02 14.58 8.99 11.863 7.830
8 + + + + - 13 12.75 9.78 11.843 3.209
9 + - - - + 12.70 12.35 12.81 12.620 0.058
10 + + - - + 10.29 8.08 10.24 9.537 1.592
11 + - + - + 9.92 9.13 7.03 8.693 2.231
12 + + + - + 7 8.78 7.69 7.823 0.805
13 + - - + + 6.46 9.85 7.89 8.067 2.896
14 + + - + + 9.78 6.43 8.54 8.250 2.869
15 + - + + + 7.13 14.02 9.15 10.100 12.545
16 + + + + + 12.48 10.58 11.93 11.663 0.956
∑ 74.262

Niveau- 55 15 1/16 5
(°C) (min) (g)
Niveau+ 85 60 1/2 50
(°C) (min) (g)

- 54
Partie Chapitre IV: Résultats et

Le critère de Cochran calculé Cc=0.1689<Ct( =2, N=16)=0.335, les variance sont


homogènes et l’expérience est reproductible.

4.2. Calcul des coefficients du modèle (couleur, séchage conventionnel)

Les paramètres du modèle sont donnés dans le tableau IV.9 qui suit :

Tableau IV.9: les paramètres du modèle (couleur des dattes séchées par convection)
et leur critères de Student calculé

paramètres tc paramètres tc

b0= 9.498 30.544 b23= 1.381 4.441

b1= -0.046 0.148 b24= -0.031 0.099

b2= 0.004 0.014 b34= -0.556 1.788

b3= 0.482 1.550 b123= -0.458 1.473

b4= 0.096 0.309 b124= -0.084 0.270

b12= 0.533 1.714 b234= 0.006 0.019

b13= 0.356 1.145 b134= 0.356 1.145

b14= -0.231 0.743 b1234= 0.354 1.138

Les valeurs tc sont comparées à la valeur tabulée


tt (  0.025 ,  32), deux facteurs
seulement sont significatifs, le modèle s’écrit :
Y=9.498+1.381X2X3 (36)

- 55
Partie Chapitre IV: Résultats et

D’après le modèle, tous les facteurs sont sans effets sur la couleur des dattes. Cela signifie
que la couleur des dattes séchées à l’air chaud est proche de celle des dattes naturelles (nous le
confirmons par les valeurs L*, a*, b* qui sont proches des celle des dattes naturelles). Ce
résultat est en accord avec celui que nous avons déjà trouvé mais en utilisant la densité optique
à 420 nm comme mesure de l’intensité du brunissement (Chekroune et al., 2008).

4.3. Test sur la validité du modèle

En se basant toujours sur le critère de Fisher nous obtenons :

Fc=1.098<Ft( 1 =14,  2 =32)=2.01, le modèle est donc adéquat.

La corélation entre les valeurs prédites et les valeurs mesurées (R 2=0.84) est donnée par la
figure IV.14 ci-dessous :

12
10
DE* prédites

8
6
4 dE*
2
0

0 5 10 15
y = 0,4524x + 5,4103
DE* mesurées R2 = 0,8468

Figure IV.14 : représentation graphique des valeurs prédites en fonction


des valeurs mesurées (séchage conventionnel, couleur)

La réponse calculée au centre du domaine à partir du modèle est de 9.498 et celle mesurée
est de 8.38±0.311, les deux valeurs sont proches ce qui confirme la validité du modèle obtenu
(Goupy, 2001).

- 56
Partie Chapitre IV: Résultats et

5. Modélisation de la couleur des dattes séchées au MO

5.1. Matrice des expériences (couleur, séchage au MO)

Nous donnons les résultats de la différence de couleur totale des dattes séchées au MO ci-
dessous :

Tableau IV.10: matrice des expériences pour la différence de couleur totale des dattes Mech-
Degla séchées au MO

N X0 X1 X2 X3 X4 DE*1 DE*2 DE*3 DE*MOY


2
1 + - - - - 19.02 21.15 16.61 18.927 5.159
2 + + - - - 15.67 18.97 19.95 18.197 5.028
3 + - + - - 16.81 20.23 18.71 18.583 2.936
4 + + + - - 30.49 34.09 29.99 31.523 5.003
5 + - - + - 23.01 20.95 13.96 19.307 22.501
6 + + - + - 32.37 26.96 35.52 31.617 18.744
7 + - + + - 19.11 21.15 22.76 21.007 3.346
8 + + + + - 50.06 61.37 60.32 57.250 39.048
9 + - - - + 18.73 20.87 18.58 19.393 1.641
10 + + - - + 21.05 21.15 19.99 20.730 0.413
11 + - + - + 22.54 21.99 18.89 21.140 3.872
12 + + + - + 16.85 18.84 17.57 17.753 1.015
13 + - - + + 22.47 24.16 22.11 22.913 1.198
14 + + - + + 22.43 19.54 23.40 21.790 4.032
15 + - + + + 26.42 21.48 21.70 23.200 7.788
16 + + + + + 19.71 23.04 19.55 20.767 3.882
∑ 125.606

Niveau- 160 30 1/16 5


(w) (sec) (g)
Niveau+ 480 60 1/2 50
(w) (sec) (g)

Le critère de Cochran calculé Cc=0.3109<Ct( =2, N=16) =0.335, les variance sont
homogènes et l’expérience est reproductible.

5.2. Calcul des coefficients du modèle

Les paramètres du modèle calculés par la RLM (en utilisant le logiciel SPSS) sont donnés
dans le tableau IV.11.

- 57
Partie Chapitre IV: Résultats et

Tableau IV.11: les paramètres du modèle (différence de couleur totale des dattes séchées au
MO) et leur critères de Student calculé

paramètres tc paramètres tc

b0= 24.006 59.36 b23=0.929 2.30

b1= 3.447 8.52 b24= -2.641 6.53

b2= 2.396 5.92 b34= -2.019 4.99

b3= 3.226 7.98 b123= 0.855 2.11

b4= -3.046 7.35 b124= -2.727 6.74

b12= 1.972 4.88 b234= -0.866 2.14

b13= 2.177 5.38 b134= -2.365 5.85

b14= -4.147 10.25 b1234= 0.427 1.05

Nous avons 15 paramètres significatifs, le modèle s’écrit :

Y=24.006+3.447X1+2.396X2+3.226X3-3.046X4+1.972X1X2+2.177X1X3-

4.147X1X4+0.929X2X3-2.641X2X4-2.019X3X4+0.855X1X2X3-2.727X1X2X4-

0.866X2X3X4-2.365X1X3X4 (37)

Le modèle obtenu laisse apparaître que les 4 facteurs sont fortement influents, leur
classification donne comme résultat que le facteur puissance est le plus influent à effet positif.
Cela signifie qu’en passant de la basse puissance 160w à la haute puissance 480w, la
différence de couleur totale par rapport au standard augmente.

- 58
Partie Chapitre IV: Résultats et

Les facteurs temps et dimensions ont également des effets positifs sur la réponse. Maskan
(2001) a observé le même résultat (augmentation en DE* avec le temps) pour le séchage des
kiwi au MO. Il a également rapporté que l’augmentation de la valeur du paramètre a* montre
qu’il y a une corrélation positive entre ce paramètre et la production de pigments bruns
(séchage des kiwi au MO).

Dans notre cas, nous avons obtenu des valeurs de a* variant entre (4.08 à 6.89) et (5.16 à
11.45) pour le séchage à l’air chaud et au MO respectivement. D’après la matrice des
expériences les valeurs de DE* (cas MO) sont supérieures à celle du séchage conventionnel ce
qui signifie que les MO impliquent un brunissement intense.

Ce résultat est en contradiction avec ceux trouvés par Krokida et Maroulis (1999), Arslan
et Musa Ozcan (2007), Feng et Tang (1998), Maskan (2000) qui ont trouvé que le séchage à
l’air chaud intensifie le brunissement par rapport au séchage au MO pour : le séchage de
quelques produits, romarin, pommes en cubes, bananes respectivement.

Pour confirmer nos observations, le séchage à l’air chaud de la poudre de dattes à 55°C
pendant plus de 15heurs a été appliqué sans caramélisation apparente, alors qu’avec les MO le
produit est brûlé après 1min de traitement. Il nous semble que la nature de l’aliment (sa teneur
en eau initiale en particulier) peut expliquer cette différence de résultats.

La masse des dattes a un effet négatif. Cela signifie qu’un passage du niveau – au niveau +
de la charge abaisse la différence de couleur des dattes.

Les interactions d’ordre 2 et d’ordre 3 sont toutes significatives et légèrement élevées.

- 59
Partie Chapitre IV: Résultats et

Représentation graphique des effets

Les effets des facteurs sont illustrés par la figure IV.15.

30
2245.006 P(W)
20 t(sec) D
15 C(g)
10
dE *

5
0

-1 0 1 -1 0 1 -1 0 1 -1 0 1
Facteurs

Figure IV.15: représentation graphique des effets de la puissance, du temps, du


facteur dimension et de la charge sur dE* des dattes séchées au MO

La différence de couleur totale des dattes séchées par rapport aux dattes naturelles
augmente de 3.447, 2.396, 3.226 et diminue de 3.046 points quand on passe du centre du
domaine (valeur moyenne du rendement 24.006) à la moyenne des rendements des niveaux +
de la puissance, du temps, du facteur dimension et de la charge respectivement.

Le facteur dimension a un effet positif sur la DE*, ce qui confirme le résultat trouvée pour
la modélisation de l’humidité des dattes (séchage au MO).

5.3. Test sur la validité du modèle

Le critère de Fc=1.1174<Ft(ν1=1, ν2=32)=4.15, le modèle est donc adéquat.

La corrélation entre les valeurs mesurées et les valeurs prédites par le modèle est
également satisfaisante R2=0.99 (voir figure IV.16):

- 60
Partie Chapitre IV: Résultats et

70
60
50

DE* prédites
40
30
20 dE*
10
0

020 40 60 80
DE* mesurées y = 0,9979x + 0,0512
R2 = 0,998

Figure IV.16 : représentation graphique des valeurs prédites en fonction


des valeurs mesurée (micro-onde, couleur)

La réponse calculée par le modèle au centre du domaine expérimental est de 24.006. Celle
mesurée au centre du domaine expérimental (320w, 45 sec, 9/32, 27.5 g) est de 13.08±0.40.

- 61
Partie Chapitre IV: Résultats et

6. Utilisation de la poudre de dattes préparée

Le tableau IV.12 ci-dessous donne les différents paramètres mesurés de la couleur pour la
poudre de cacao et celle de la poudre de dattes séchées jusqu’au point critique (séchage
conventionnel).

La granulométrie des poudres est ≤ 800 m

Tableau IV.12: les valeurs de la couleur de la poudre de cacao et de la


poudre de dattes séchées jusqu’au point critique

Poudre de Cacao Poudre de dattes

L* 49.33 53.04

a* 12.40 14.15

b* 22.74 24.05

DE* 35.51 32.58

En comparant les valeurs données par le tableau, on trouve que la couleur de la poudre de
dattes séchées jusqu’au point critique est proche de celle de cacao.

Nous pouvons dire donc que la poudre de dattes peut être utilisée comme un substitut de
cacao. Plus encore, cette dernière nous offre toute une gamme de couleurs allant du jaune pale
à marron. Elle peut être aussi utilisée comme substitut du sucre blanc dans diverses
préparations alimentaires : jus, confiture, pâtisseries...

- 62
Partie Chapitre IV: Résultats et

7. Les combinaisons optimales

Maskan (2000) a définit une bonne qualité d’un produit (pour le cas des kiwi) comme
étant une basse densité en volume, faible rétrécissement, une capacité de réhydratation rapide,
une couleur attirante. Il a annoncé qu’il est nécessaire de comparer le temps de séchage et les
paramètres de qualité.

Dans notre cas, nous comparons le temps et la couleur des dattes. D’après la matrice des
expériences les combinaisons jugées intéressantes sont :

7.1. Le séchage conventionnel

Série12 : 85°C 60min 1/16 50g produisant une W=4.11% et dE*=7.82 ;

Un séchage à 85°C pendant 60 min des dattes coupées en dimension D 1/16 donne une
poudre d’une teneur en eau de 4.11% et une différence de couleur totale de 7.82.

7.2. Le séchage au MO

Série16 : 480W 60sec 1/2 50g produisant une W=6.35% et dE*=20.77.

Le séchage des dattes au MO à 480W pendant 60 sec des dattes coupées en dimension
D1/2, donne une poudre d’une teneur en eau de 6.35 % et une différence de couleur totale de
20.77.

De point de vue économique le séchage au MO est meilleur, celui-ci réduit le temps de


séchage à plus de 98 %. Plus que ça, il nous offre la facilité de couper la datte en dimension
D1/2

Donc il convient de tenir compte de la destination de la poudre préparée. Par exemple, un


yaourt à base de datte exige une poudre plus caramélisée que celle utilisée pour la préparation
de farine pour les petits enfants.

- 63
Conclusion

Les résultats obtenus au terme de ce travail laissent apparaître que le modèle retenu
concernant les prévisions est un modèle ARIMA (0,1,8). Les prévisions données montrent qu’il
y’ aura augmentation de la production de dattes communes d’ici 2010.

L’aptitude au séchage des dattes, tenant compte de la stabilité de la couleur, est le résultat
principal à retenir. Il convient de rappeler que le fruit traité se caractérise par une teneur en
sucres (sucres totaux) très élevée d’en moyenne 75.1% de masse sèche (Acourene et Tama,
1997), suggérant sa prédisposition à la caramélisation.

Grâce à la méthodologie des plans d’expériences, les modèles suivant ont été déduits :

1) concernant le séchage conventionnel :

 Pour le processus d’élimination d’eau :

y  6.742 1.112 X1  0.707 X 2  0.572 X 3  0.415X1 X 2  0.215X1 X 4

 Pour la variation de la couleur :

Y=9.498+1.381X2X3

2) concernant le séchage aux micro-ondes :

 Pour le processus d’élimination d’eau :

Y=7.349-2.58X1-1.524X2-0.802X3+1.697X4-1.31X1X2-0.651X1X3+1.326X1X4

-0.272X2X3+0.817X2X4+0.769X3X4+0.684X1X2X4+0.301X2X3X4+0.567X1X3X4

 Pour la variation de la couleur :

Y=24.006+3.447X1+2.396X2+3.226X3-3.046X4+1.972X1X2+2.177X1X3-

4.147X1X4+0.929X2X3-2.641X2X4-2.019X3X4+0.855X1X2X3-2.727X1X2X4-

0.866X2X3X4-2.365X1X3X4

- 64
Conclusion

Il s’ensuit par ailleurs la possibilité de produire des poudres du fruit de dattes avec une
large gamme de couleur et d’utilisations multiples : substitut de sucre, reconstitution de jus et
de purée…

Les combinaisons optimales révèlent que du point de vue économique, le séchage au MO


est meilleur avec en plus la possibilité d’opter pour la dimension D1/2 plus aisée à obtenir
pratiquement.

Enfin, nous devons nous intéresser, comme l’actualité s’y prête, à cette espèce de pétrole
vert qui est le fruit du palmier dattier pour limiter nos importations en sucre blanc dont notre
pays est importateur.

- 65
Références bibliographiques

Ait Ameur, L. (2001). Analyse du processus de diffusion des sucres, des acides organiques
et de l’acide ascorbique dans le système : Mech-Degla/jus de citron. Mémoire de magister.
Département de technologie alimentaire. Boumerdes, 80.

Abers, J. E., & Wrolstad, R. E. (1979). Causative factors of colour deterioration in


strawberry preserves during processing and storage. Journal of Food Science, 44, 75-78, 81.

Acouren, S., & Tama, M. (1997). Caractérisation physico-chimique des principaux


cultivars de dattes de la région des Zibans. Recherche Agronomique, 1, 59-66.

Al-Shahib, W., & Marshal, R.J. (2003). The fruit of the date palm: Its possible use as the
best food for the future?. International Journal of Food Science and Nutrition, 54, 247-259.

Amellal, H., & Benamara, S. (2008). Vaccum drying of common date pulp cubes. Drying
Technology, 26, 378-382.

Arslan, D., & Musa Ozcan, M. (2007). Evaluation of drying methods with respect to
drying kinetics, mineral content and colour characteristics of rosemary leaves. Energy
Conversion and Management, 2-6.

Baléo, J. N., Bourges, B., Courcoux, Ph., Faur-Brasquet, C., & Le cloirec, P. (2003).
Méthodologie Expérimentale, Méthodes et outils pour les expérimentations scientifiques.
Techniques et Documentation, Lavoisier, 361.

Barreiro, J. A., Milano, M., & Sandoval, A. J. (1997). Kinetics of colour change of double
concentrated tomato paste during thermal treatment. Journal of Food Engineering, 33, 359-
371.

Benamara, S., Chibane, H., & Boukhlifa, M. (2004). Essai de formulation d’un yaourt
naturel aux dattes. Revue des Industries Agricoles et Alimentaires, 1, 11-14.

Bonazzi, C., & Bimbenet, J.J. (2000). Séchage des produits alimentaires-Principes. In:
Techniques de l’Ingénieur, Paris, France, F3000.
Références bibliographiques

a
Bonazzi, C., & Bimbenet, J.J. (2008). Séchage des produits alimentaires-Matériels et
applications. In : Techniques de l’Ingénieur, Paris, France, F3002.

b
Bonazzi, C., Dumoulin, E., & Bimbenet, J. J. (2008). Le séchage des produits
alimentaires. Industrie Alimentaire Agricole, 125 (03-04), 12-22.

Booij, I., Piombo, G., Risterucci, J.M., Coupe, M., Thomas, D., & Ferry, M. (1992). Etude
de la composition chimique de dattes à différents stades de maturité pour la caractérisation
variétale de divers cultivars de palmier dattier (Phoenix dactylifera L.). Fruits, 06, 667-678.

Bouraout, M., Richard, P., & Durance, T.(1994). Microwave and convective drying of
potato slices. Journal of Food Process Engineering, 17, 353-363.

Bourbonnais, R., & Teraza, M. (1998). Analyse des séries temporelles en économie.
Presses Universitaires de France, 280.

Brac de la Perriere. (1988). Les recherches sur les ressources génétiques du palmier
dattier. Dans, Ann. Inst. Nat. Agro, d’El-Harrach, vol 12(1), T(2), P(493-506).

Chekroune, M., Derradji, N., Amellal, H., Abdellaoui, R., Akbibouche, N., Allane, T.,
Hammoudi, N., Ait-Ameur, L., & Benamara, S.(2008). Effet du couple temps-température sur
l’efficacité du séchage. Cas des dattes MECH-DELA. Industrie Alimentaires et Agricoles,
125, 3-4, 22-25.

Djouab A. (2007). Valorisation des constituants mineurs de la datte Mech-Degla dans une
recette de margarine allégée. Mémoire de magister. Département de Technologie Alimentaire.
Boumerdès, 103p

Cook, J.A., & Furr, J.R.(1952). Sugars in the fruits of soft, semi-dry and dry commercial
date varieties. Date Grower’s Institute Report, 29, 3-4.

Espiard, E.(2002). Poudres de fruits. Introduction à la transformation industrielle des


fruits. Lavoisier, Paris, 56-59.

Feng, H., & Tang, J.(1998). Microwave finish drying of diced apples in a spouted bed.
Journal of Food Science, 63, 679-683.
Références bibliographiques

Garcia-Viguera, C., Zafrilla, P., Romero, F., Abellan, P., Artes, F., & Tomas-Barberan,
F.A.(1999). Colour stability of strawberry jam as affected by cultivar and storage temperature.
Journal of Food Science, 64, 243-247.

Giese, J.(1992). Advances in microwave food processing. Food Technology, 46, 118-123.

Goupy, J.(2001). Introduction aux plans d’expériences. Dunod, Paris, 2ème édition, 293.

Gowen, A.A., Abu-Ghannam, N., Frias, J., & Oliveira, J.(2008). Modeling dehydratation
and rehydratation of cooked soybeans subjected to combined microwave-hot-air drying.
Innovative Food Science & Emerging Technologies, 9, 129-137.

Hussein, F., Moustafa, S., El-Kahtani, M., El-Samiraie, F.,& El-Zeid, A.(1974). Studies
on physical and chemical characteristics of eighteen date cultivars grown in Saudi Arabia.
Kingdom of Saudi Arabia, Ministry of agriculture, Research Bulletin,4, 5-18.

Lee, H.S., & Coates, G.A.(1999). Thermal pasteurisation effects on colour of red
grapefruit juices. Journal of Food Science, 64, 663-666.

Le Meste, M., Roudaut, G., Chiotelli, E., Simatos, D., & Colas, B. (2001). Functional
properties of water in food. Ind. Alim. Agr., 11(8), 21-28.

Lozano, J.E., & Ibarz, A.(1997). Colour changes in concentrated fruit pulp during heating
at high temperatures. Journal of Foof Engineering, 31, 365-373.

Maskan, M.(2000). Microwave/air and microwave finish drying of banana. Journal of


Food Engineering, 44, 71-78.

Maskan, M.(2001). Drying, Shrinkage and rehydratation characteristics of Kiwifruits


a

during hot air and microwave drying. Journal of Food Engineering 48, 177-182.

b
Maskan, M.(2001). Kinetics of colour change of kiwifruits during hot air and microwave
drying. Journal of Food Engineering, 48, 169-175.

Mélard, G.(1991). Statistique et mathématiques appliquées : Méthodes de prévision à


court terme. Ellipses, Paris, 171-389.

Mudgett, R.E.(1989). Microwave food processing. Food Technology, 43, 117-126.


Références bibliographiques

Munier, P.(1973). Techniques agricoles et productions tropicales. Le palmier dattier.


Paris : G-P. Maisonneuve et Larose,141-150.

Peyron, G.(2000). Guide illustré de formation cultiver le palmier dattier,110.

Reynes, M., Bouabidi, H., Piombo , G., & Ristrucci, A.M.(1994). Caractérisation des
principales variétés de dattes cultivées dans la région du Djérid en Tunisie. Fruits, 49(4), 289-
298.

Schimmerling, P., Sisson, J.C., & Zaidi, A.(1998). Pratique des plans d’expériences.
Technique et Documentation, Lavoisier, 61-438.

Skrede, G.(1985). Colour quality of blackcurrant syrups during storage evaluted by


Hunter. Journal of Food Science, 50, 514-517, 525.

SPC Software (document). (2001). Formation à la théorie de la couleur. Parc des Peuplier,
Nanterre cedex, 3-22.

Yongsawatdigul, J. & Gunasekaran, S.(1996). Microwave-vaccum drying of cranberries:


Part II. Quality evaluation. Journal of Food Processing and Preservation, 20, 145-156.
Liste des annexes

Annexe 1 : Plan factoriel complet 2k

Tableau 1.1 : Matrice des expériences pour un plan 22

Figure 1.1 : Processus itératif de la méthodologie expérimentale

Annexe 2 : Méthodologie de Box-Jenkins

Tableau 2.1 : Valeurs critiques de la constante et de la tendance, test de Dickey-Fuller

Figure 2.1 : Résumé de la stratégie du test de Dickey-Fuller

Annexe 3 : Tables statistiques

Tableau 3.1 : Valeurs tabulées du critère de Cochran

Tableau 3.2 : Valeurs tabulées du critère de Student

Tableau 3.3 : Valeurs tabulées du critère de Fisher

Tableau 3.4 : Valeurs tabulées du critère de Khi-deux

Annexe 4 : Matériels utilisés

Annexe 5: Matrice des expériences des paramètres L*, a*, b*

Tableau 5.1: Matrice des expériences des paramètres L*, a*, b* des dattes séchées par
convection.

Tableau 5.2: Matrice des expériences des paramètres L*, a*, b* des dattes séchées au
micro-onde

Annexe 6: Publication
Annexe Pan factoriel complet

1. Processus itératif de la méthodologie expérimentale

La méthodologie expérimentale doit être conçue comme un processus itératif entre le


modèle et le plan expérimental (voir figure 1).Elle permet de planifier les expériences
pertinentes pour ajuster un modèle aux données et le valider (Baléo et al., 2003).

Données

Interprétation Conclusions

Modèle

Figure 1.1 : processus itératif de la méthodologie expérimentale (Baléo et al., 2003)

L’expérimentateur réalise séquentiellement des plans expérimentaux permettant d’estimer


au mieux les paramètres du modèle suspecté (Baléo et al., 2003).

Si le modèle obtenu après le test d’ajustement est insuffisant pour décrire efficacement les
données expérimentales, on procède à la réalisation d’un nouveau plan d’expériences pour
compléter le modèle (Baléo et al., 2003).

2. Quelques définitions

Expérience : une expérience c’est le processus d’extraction de données (d’informations)


sur un système en agissant sur ses entrées.

Modélisation : la modélisation est la phase d’élaboration du modèle ou du code de calcul,


la simulation est son utilisation en routine (Baléo et al., 2003).
Annexe Pan factoriel complet

Modèle : de manière très générale, un modèle est une représentation simplifiée d’un
système, dans un but particulier (Baléo et al., 2003).

Système : Un système peut être un produit, un processus ou un dispositif quelconque


(Schimmerling et al., 1998), délivrant une ou plusieurs réponses et dépendant d’un certains
nombres de facteurs (Baléo et al., 2003). Il est considéré comme étant une boite noire
(Schimmerling et al., 1998).

Réponses : Les réponses sont les grandeurs à étudier/optimiser dans le système


(Schimmerling et al., 1998).Elle est également nommée variable dépendante, variable
expliquée (Baléo et al., 2003).

Facteurs: Les facteurs sont les variables ayant à priori une influence sur l’une ou
plusieurs de ces réponses .Ils peuvent être quantitatifs ou qualitatifs (Schimmerling et al.,
1998).

Variables aléatoires: Une variable aléatoire est une variable qui peut prendre différentes
valeurs à la suite d’un processus lié au hasard. Elle est entièrement caractérisée si l’on connaît
les probabilités affectées à chacune des valeurs possibles (Baléo et al., 2003).

Niveaux : Les niveaux (réglage, valeur ou position) sont les valeurs d’un facteur. Pour un
facteur qualitatif le mot modalité est également utilisé (Schimmerling et al., 1998).

Plan orthogonal : Un plan d’expériences P est orthogonal et équilibré vis-à-vis d’un


modèle M donnée, si et seulement si :

Pour chaque couple d’actions disjointes du modèle M, tous ses couples de niveaux
possibles sont présents un même nombre de fois dans le plan d’expériences P (Schimmerling
et al., 1998).

Tout plan factoriel complet uniformément répété est orthogonal et équilibré vis-à-vis du
modèle complet ou incomplet auquel il est associé (Schimmerling et al., 1998).

Ce qui a comme intérêt

-les coefficients relatifs à des actions distinctes ne sont pas corrélés ;


Annexe Pan factoriel complet

-pour un nombre de résultats observés, l’incertitude sur l’estimation des coefficients du


modèle est minimisée ;

-l’estimation des coefficients du modèle et l’analyse statistique s’effectuent par de simples


opérations arithmétiques (Schimmerling et al., 1998).

3. Codification des facteurs

La formule ci-dessous permet de passer des variables courantes aux variables centrées
réduites (Goupy, 2001).

 A  A0 
x pas Où :

x : La variable centrée réduite mesurée avec le pas comme unité ;

A : Est la variable courante mesurée en unités habituelles ;

A0 : Est la valeur (mesurée en unité habituelle) que prend la variable courante au milieu
du domaine (au point choisi comme origine pour la variable centrée réduite);

A0 = (Xi sup+Xi inf)/2

pas : C’est la valeur correspondant à l’unité de la variable centrée réduite mesurée en


unités d’origine.

pas = (Xi sup-Xi inf)/2

4. La randomisation des essais

Des petites variations dues à des facteurs non contrôlés peuvent introduire des erreurs à
chaque mesure, si elles sont aléatoires l’ordre des essais peut être quelconque mais si elles ne
le sont pas, elles introduiront des erreurs systématiques. D’où l’on parle de randomisation des
essais (Goupy, 2001).
Annexe Pan factoriel complet

La technique est très simple, on inscrit les numéros d’essais sur des morceaux de papiers
différents que l’on mélange bien, puis on les tire au sort, le premier numéro tiré étant la
première expérience à réaliser et ainsi de suite (Goupy,2001).

5. Réalisation des essais

Il est possible de rassembler tous les éléments de l’expérimentation dans un tableau que
l’on nomme ‘’matrice des expériences’’ ou ‘’matrice des essais’’ (Goupy, 2001) ou encore
‘’matrice de planification’’ (Schimmerling et al., 1998).

Tableau 1.1: matrice des expériences pour un plan 22 (Goupy, 2001)

Numéro de Facteur 1 Facteur 2 Réponse


l’essai

1 - - y1

2 + - y2

3 - + y3

4 + + y4

Niveau -

Niveau +
Annexe Pan factoriel complet

Les colonnes sont associées aux facteurs à faire varier. Les lignes représentent les
combinaisons de ces facteurs qu’il va falloir tester. L’ensemble des lignes représente donc la
séquence d’essai à réaliser (Schimmerling et al., 1998).

Le nombre limité de combinaisons suffit pour estimer les coefficients du modèle avec un
minimum d’incertitude, pour un nombre d’observation donnée (Schimmerling et al., 1998).

6. Détection et analyse des données aberrantes

Le test de Grubbs fournie une méthode pour des erreurs normalement distribuée, dans le
cas où l’espérance et la variance de l’erreur sont inconnus (Baléo et al.,2003).

Le critère calculé est :

Cn=(xmax-xmoy)/s , si la valeur suspecte est le maximum.

Cn=(xmoy-xmin)/s , si la valeur suspecte est le minimum.

xmoy : moyenne arithmétique des n valeurs de l’échantillon ;

S2 : somme des carrés des écarts de la moyenne divisée par (m-1) ;

m : nombre de répétitions.

Si Cn>Ct au seuil 1%, la valeur correspondante est aberrante ;

Si le critère Cn est compris entre les 2 valeurs critiques au seuil de 1 et 5% la valeur


correspondante est qualifiée d’isolée (Baléo et al., 2003).

7. La régression linéaire multiple

Généralités

Un modèle de régression explique une variable dépendante y en fonction de variables


explicatives x1, x2,…(Mélard, 1991).

La relation est de nature statistique donc sujette à une erreur aléatoire (Mélard, 1991).
Annexe Pan factoriel complet

En régression linéaire, la fonction de régression est du premier degré en chaque variable


explicative, souvent on inclut une constante dans le modèle de régression, ce qui revient à
utiliser une variable x0=1 (Mélard, 1991) :

Y=b0+b1x1+b2x2+…+

La détermination des coefficients de régression b0, b1, b2,…à partir de données, repose sur
le principe des moindres carrés ou l’on minimise la somme des carrés des erreurs (Mélard,
1991).

La régression linéaire simple (Mélard, 1991)

La RLS (régression linéaire simple) comporte une seule variable explicative en plus de la
constante : (Mélard, 1991)

y=b0+b1x+ i

b1 : est la pente de la droite ;

b0+b1x : est l’ajustement de y en fonction de x ;

: Le résidu de l’ajustement, traduit l’influence des phénomènes perturbateurs (Baléo et


al., 2003).

On formule l’hypothèse que  est une variable aléatoire, cela implique que (Mélard,
i

1991) :

- elle est donc d’espérance mathématique nulle et de variance constante 2 .

- Les erreurs du modèle sont non corrélées entre elles :

E(  i )=0 ;

V(  i )= 2

COV(  i ,  i' )=E(  i ,  i' )=0 quels que soient i et i’ (Baléo et al.,2003).

La droite des moindres carrés passe par le centre de gravité des données x, y .  
Annexe Pan factoriel complet

Le principe des moindres carrés étant de minimiser la somme des carrés des résidus en
fonction de b0 et de b1. Remplaçons b1 par b et b0 par a, nous avons donc :

n n 2

Qa, b       y i  a  bx
2
i
i 
i1 i1

Pour obtenir le minimum de cette fonction, on exprime que les dérivées partielles
premières de
Qa, b par rapport à a, d’une part et par rapport à b d’autre part sont nulles, les
solutions obtenus :

a  y  bx ;

b  covx, y
n
1 (xi  x)( yi 
Sxy
 y)n
varx
n

S x2


i1 1
 x  2

xn i
i1

Coefficient de corrélation et coefficient de détermination

Le coefficient de corrélation entre x et y, r ou rxy, se définit comme suit :

Sxy
r 
xy S x SY

Le coefficient de détermination est le carré du coefficient de corrélation

2
 Sxy 
R r 
2 2
xy 
 Sx S y 

r est compris entre -1 et 1, plus précisément  1  r  1

r : Proche de zéro indique que x et y sont peu liées ;

r : Proche de 1 indique que x et y sont fortement liées linéairement, en sens direct ;

r : Proche de -1 indique que x et y sont fortement liées linéairement, en sens contraire.


Annexe Pan factoriel complet

La régression linéaire multiple (Mélard, 1991)

La RLM (régression linéaire multiple) c’est l’étude du cas générale où il y a K variables


explicatives : y=b1x1+b2x2+…+bkxk+

b1, b2,…, bk : coefficients de régression.

L’estimation des paramètres peut se baser sur le principe des moindres carrés :

n n 2

Qb ,..., b    2
   y  b x  b x  ...  b x 
1 k i i 1i 1i 2 2i k ki
i1 i1

En égalant à zéro les dérivées partielles de Q par rapport

à d’équation linéaires en b1 ,..., bk . b1 ,..., on trouve un système


bk

L’hypothèse de régression au sens des moindres carrés passe par le centre de gravité, point

de coordonnées x1 , x2,...,Y  de l’espace à k dimensions x , x ,..., y .
1 2

Les coefficients de régression s’obtiennent comme une solution du système :


X X b  X
t t
y

X t : La matrice transposé de X .

La solution fournie par la méthode des moindres carrés :

^
b  X X  X y
t 1 t

Le coefficient de détermination
n 2

  y  y
i
*
i
R2 1 i1

 y 
n 2
i y
i1
Annexe Méthodologie de Box-

1. Processus aléatoire (Bourbonnais, 1998)

Soient :

 (  , A) un espace de probabilité muni d’une application p telle que p :   [0, 1].

 (IR, IBIR) un espace probabilisable (IB tribu des boréliens de IR).

 T un sous ensemble de IR.

On appelle processus aléatoire admettant pour espace d’état A, espace de base Ω et


ensemble des temps T, toute famille {Xt, tT} de variables aléatoires définies sur le même
espace probabilisé (Ω,A,P).

Pour tout t T ; Xt :   A

w  Xt(w)

est appelée réalisation d’un processus aléatoire.

La fonction : X(w) :T  IR

t  Xt(w)

est appelée une réalisation de X pour l’individu w ou une trajectoire.

2. La stationnarité (Bourbonnais, 1998)

On distingue deux types de stationnarité :

2.1. Stationnarité stricte

Le processus aléatoire {Xt, t  T} est dit strictement stationnaire si :

 i =1,…, n avec t1< t2 < …. < tn tel que ti  t , et h  T avec ti +h  T .


Annexe Méthodologie de Box-

Les deux suites suivantes (Xt1,….,Xtn ) et (Xt1+h,….,Xtn+h ) ont la même loi de


probabilité.Cela signifie que  (x1,….,xn ),  (t1,….,tn ) et  h  T :

P [Xt1< x1…, Xtn < xn] = P [Xt1+h < x1,…, Xtn+h < xn].

2.2. Stationnarité faible (Stationnarité de 2nd ordre)

Le processus aléatoire {Xt, t T} est dit stationnaire au sens faible s’il aura une
moyenne et une variance qui ne changeront pas au cours du temps et que la covariance entre
les valeurs du processus en deux points dans le temps ne va dépendre que de la distance entre
les points dans le temps et non du temps lui-même. C'est-à-dire :

• E (Xt) =µ < +∞ t  T

• Var (Xt) =  2 t  T

• Cov(Xt, Xt+h ) =  h t, h  T

3. Fonction d’autocovariance, d’autocorrélation simple, d’autocorrélation partielle


et processus bruit blanc (Bourbonnais, 1998)

3.1. La fonction d’autocovariance

La fonction d’autocovariance du processus aléatoire {Xt, t  T} mesure la covariance


pour un couple de valeurs séparées par un intervalle de longueur h appelé retard. Elle fournit
des informations sur la variabilité de la série et sur les liaisons temporelles qui existent entre
les différentes composantes de la série Xt.

 h = Cov (Xt, Xt+h) = E[(Xt - E(Xt)) (Xt+h – E(Xt+h))]  t, t+h  T

La fonction d’autocovariance d’un processus Xt stationnaire vérifie les propriétés


suivantes :

- 0
 covX t , X   EX  E  X t 2   V  X    2  0.
t t
t t

-  h   h , h  (symétrie).
T
Annexe Méthodologie de Box-

-  h   0 , h, t  T

La fonction d’autocovariance d’un processus aléatoire stationnaire {Xt, tZ} est estimée
par la fonction d’autocovariance empirique définie par :

1 1
rh=  x t
x
t
x avec
n
x xt .
n n
x h 
n
t h1 t 1

3.2. La fonction d’autocorrélation simple (la fonction d’autocorrélation)

La fonction d’autocorrélation est la fonction notée  h qui mesure la corrélation de la

série avec elle-même décalée d’un pas h.

On supposera par la suite que le processus {Xt, tT} est stationnaire du second ordre.

Définition : On définit la fonction d’autocorrélation par la formule suivante :


h
 = (X , X ) = covX t , X t h  .

h t t+h VarX t 1 / 2 * VarX 0

t
h
1/ 2

 h mesure donc l’intensité de la liaison entre Xt et Xt+h.

Remarque : -1  h  +1.

Propriétés : La fonction d’autocorrélation d’un processus Xt stationnaire vérifie les


propriétés suivantes :

 0 = 1.

  h  0 .

  h =  (symétrie).
h
Annexe Méthodologie de Box-

3.3. Fonction d’autocorrélation partielle :

Définition : Nous pouvons définir la fonction d’autocorrélation partielle de retard h


comme étant le coefficient de corrélation partielle entre Xt et Xt-h l’influence des autres
variables décalées de h périodes (Xt-1, …, Xt+h-1), ayant été retirée. Elle peut être calculée
comme un rapport entre deux déterminants par la formule suivante :

1 1 … h2 1
1 1 … h3 2
⁝ ⋱
h1 1
h2 … h
hh = 1 1
h2
h1
1 … h3
1 h2
⁝ … ⋱
h1 1 1
 h2 …

On peut montrer que la fonction d’autocorrélation partielle s’écrit :

 1
si i1
   i1  
ii   i 
 i1, j i j

1
j
si i  2
 i1

 1   i1, j  j
 j 1

ij  
i1, j  iii1,i j , j  1,…, i  1.

Cet algorithme est connu sous le nom d’algorithme de Durbain.

3.4. Processus bruit blanc :

Définition : Le plus simple des processus stationnaires en analyse des séries


chronologiques est le processus bruit blanc { t, t T} qui est une suite de variables aléatoires
non corrélées de moyenne nulle et de variance σ ε2 (si les variables Xt sont normales donc le
bruit blanc gaussien).
Annexe Méthodologie de Box-

On dit que le processus de {εt, tT} est un bruit blanc centré si :

● E (εt)= 0  tT.

● Var (εt) =σ2  tT.

 2 si h0
● Cov (εt, εt+h) = δε (h) = 
0 sin on

4. Les opérateurs linéaires (Bourbonnais, 1998)

4.1. Opérateur de retard L

L’opérateur retard L est un opérateur linéaire défini de la manière suivante :

L Xt=Xt-1. Plus généralement Ln Xt= Xt-n.

On constate ainsi que l’opérateur retard transforme une variable Xt en sa valeur passée. On
posera L0=1.

Si l’on applique le polynôme retard Φ(L) défini comme suit :

Φ(L)=1  1L  L2 …   pLp


2
à une série Xt, on a :

Φ(L)Xt=Xt-1 X t 1  2 X t 2 …   p X t  p

où i des nombres réels, i=1,..,p.

Cet opérateur est linéaire : L (αXt + βYt) =αLXt + βLYt = αXt-1 + βYt-1.

4.2. Opérateur de différence ordinaire

On note ∆ opérateur de différence ordinaire associée à un processus {Xt, tZ} le


processus {∆Xt, tZ} tel que : ∆Xt = Xt-Xt-1 = (1-L) Xt.

On définit le diéme opérateur de différence ordinaire par: ∆dXt = (1-L)d Xt.


Annexe Méthodologie de Box-

5. Théorème (condition de stationnarité) (Bourbonnais, 1998)

Une condition nécessaire et suffisante pour que le processus autorégressif soit


stationnaire est que les racines du polynôme caractéristique soient en valeur absolue
inférieures à 1, c’est-à-dire que les racines sont à l’intérieur du cercle unitaire.

Caractéristiques d’un AR(p)

- Le corrélogramme simple est caractérisé par une décroissance géométrique de ses


termes de type
 k    k .

- Le corrélogramme partiel à ses seuls p premiers termes différents de zéro

Remarque

- Un processus autorégressif est toujours inversible.

- On peut ajouter au modèle une constante qui ne modifie pas ces caractéristiques
stochastiques et qui être utile pour expliquer quelques phénomènes économiques.

6. Théorème (condition d’inversibilité) (Bourbonnais, 1998)

Une condition nécessaire et suffisante pour que le processus moyenne mobile soit
inversible est que les racines du polynôme caractéristique  q z soient en valeurs absolues

inférieures à 1.

Caractéristiques d’un processus MA(q)

- Le corrélogramme simple a ses seuls q premiers termes différents de zéro.

- Le corrélogramme partiel est caractérisé par une décroissance exponentielle de ses


termes.

Remarque

Un processus moyenne mobile d’ordre q est toujours stationnaire, car il est une
combinaison linéaire finie d’un processus stationnaire  t  .
Annexe Méthodologie de Box-

7. Modèle Autorégressif Moyenne Mobile : ARMA(p, q) (Bourbonnais, 1998)

Théorème (condition de stationnarité et d’inversibilité)

Un processus ARMA(p,q) est stationnaire, si le polynôme  p z à toutes ses racines

en valeurs absolues inférieur à 1, et inversible si toutes les racines du polynôme  q z


sont en
valeur absolue inférieures à 1.

Caractéristique d’un processus ARMA(p,q)

Les corrélogrammes simples et partiels sont un mélange de fonctions exponentielles


sinusoïdales amorties. Cependant, l’identification des paramètres p et q à partir de l’étude des
autocorrélations empiriques s’avère plus délicate.

8. Tests de stationnarité (Bourbonnais, 1998)

Les tests de Dickey-Fuller permettent non seulement de détecter l’existence d’une


tendance (test de racine unitaire) mais aussi de déterminer la bonne manière de stationnariser
une chronique, selon que cette dernière soit un processus TS ou DS.

Tests de racines unitaires : tests de Dickey-Fuller (1979)

Les tests de Dicey-Fuller (DF) permettent de mettre en évidence le caractère stationnaire


ou non d’une chronique par la détermination d’une tendance déterministe ou stochastique.

Les modèles servant de base à la construction de ces tests qu’on estime par la méthode des
moindres carrés ordinaires sont les suivants :

Modèle [3] :
X t  1 X t 1  Modèle autorégressif d’ordre 1.
t

Modèle [2] :
X t  1 X t 1  c  Modèle autorégressif d’ordre 1 avec constante.
t

Modèle [1] :
X t  1 X t 1  c  bt  Modèle autorégressif d’ordre 1 avec constante
et une tendance. t

Avec 
 iid 0, 2  (bruit blanc).

t
Annexe Méthodologie de Box-

 H 0 : 1  1
Les hypothèses de test sont :

H
 1 : 1 p 1

• Si l’hypothèse H0 est retenue dans l’un de ces trois modèles, le processus est alors non
stationnaire.

• Si l’hypothèse H0 est vérifiée, la chronique n’est pas stationnaire quel que soit le
modèle retenu.

Dans le dernier modèle, si on accepte H1 et si le coefficient b est significativement


différent de 0 alors le processus est un processus TS. On peut le rendre stationnaire en
calculant les résidus par rapport à la tendance estimée par les moindres carrés ordinaires.

Dickey et Fuller ont étudié la distribution asymptotique de l’estimateur de 1 sous

l’hypothèse H0, à l’aide de simulation de Monte Carlo. Ils ont tabulé les valeurs critiques pour
des échantillons de tailles différentes.

Ces tables sont des tables analogues aux tables du t de Student. Les auteurs ont choisi de
tester la valeur 1  au lieu de 1 pour des raisons purement statistiques. Cela n’est pas
1
gênant pour le test. En effet,
X t  1 X t 1  b  s’écrit aussi :
t

X t  X t 1  1 X t 1  X t 1   t 
X t  1 1X t 1   t

Il est donc équivalent de tester 1  1 ou1  1  0 .

Les principes généraux du test sont les suivants :

On estime par la méthode des moindres carrés ordinaires le paramètre 1 pour les

modèles [1], [2] et [3],


soitˆ 1 cet estimateur.

L’estimateur des coefficients et des écarts type du modèle par la méthode des moindres
carrés ordinaire fournit tˆ1
qui est analogue à la statistique de Student (rapport du coefficient
sur son écart type). Si tˆ1  ttabulé , alors on accepte l’hypothèse H0 :"il existe une racine

unitaire", le processus n’est donc pas stationnaire.


Annexe Méthodologie de Box-

9. La stratégie de test de Dickey Fuller (Bourbonnais, 1998)

Le test de Dickey Fuller (1979) est un test de racine unitaire (ou de non stationnarité) dont
l’hypothèse nulle est la non stationnarité d’un processus autorégressif d’ordre 1.

Considérons un processus (Xt, t   ) satisfaisant la représentation AR(1) suivante :

X  X   avec  i.i.d. 0, 2 


et R
t t 1 t t 

Le principe général du test de Dickey Fuller consiste à tester l’hypothèse nulle aléatoire
(Randon Walk Process). L’hypothèse nulle testée correspond ainsi à une hypothèse de non
stationnarité stochastique. Ce test, comme tout test non symétrique, peut être réalisé de
différentes façons. La plus simple consiste à utiliser une statistique de Student associée à
l’hypothèse H0. En cela, le test de Dickey Fuller ne se distingue pas d’un test quelconque
d’une hypothèse non symétrique. Là où l’application du test de Dickey Fuller diffère de celle
d’un test standard, c’est dans la distribution asymptotique de la statistique de Student associée
au test H0.

En effet, la distribution asymptotique de l’estimateur des MCO du paramètre , sous


l’hypothèse de non stationnarité, est non standard. On n’a plus dans ce cas une distribution
asymptotique normale, comme en économétrie de base. De la même façon, la statistique de
Student associée au test   1, n’a pas une distribution asymptotique standard (distribution de
Student approximée par une distribution normal). C’est pourquoi, l’application du test de
Dickey Fuller nécessite que l’on utilise des seuils différents de ceux que l’on utilise
traditionnellement pour des statistiques de Student.

Aussi la distribution asymptotique de la statistique de Student associée au test H0 , n’est


pas la même suivant que dans le modèle on inclut ou non, une constante et un trend
déterministe.

Dès lors, puisque a priori, on ne sait pas si l’on doit inclure cette constante et ce trend, il
convient d’appliquer non pas un test simple, mais une stratégie de tests de Dickey Fuller.
Annexe Méthodologie de Box-

On considère les trois modèles définis comme suit :

Modèle1 :
X t  X t 1   t

Modèle2 :
X t  X t 1  c   t

Modèle3 : X t  X t 1  t  c   t

avec  i.i.id. 0, . On cherche à tester l’hypothèse de racine unitaire :


2

t 

H 0 :   0 contre H :  p 0
1

Procédure :

Le principe général de la stratégie de test est illustré par la figure 2.1. Il s’agit de partir du
modèle le plus général, d’appliquer le test de racine unitaire en utilisant les seuils
correspondant à ce modèle, puis de vérifier par un test approprié que le modèle retenu était le
bon. En effet, si le modèle n’était pas le bon, les seuils utilisés pour le test de racine unitaire
ne sont pas valables. On risque alors de commettre une erreur de diagnostic quant à la
stationnarité de la série.

Il convient dans ce cas, de recommencer le test de racine unitaire dans un autre modèle,
plus contraint. Et ainsi de suite, jusqu’à trouver le bon modèle, les bons seuils et bien entendu
les bons résultats.
Annexe Méthodologie de Box-

Estimation Modèle3
X t  X t 1  t  c   t

Test
H0 : 0 tˆ f C H 0 acceptée
si 

0
Test de Student :   0
Test H 3 : c,  ,    c,0,0
(seuils loi normale) Statistique F3 seuils Fuller

Rejet H0

Xt est TS     1 p 1
X t est TS X tI 1
X =  1X  c  t  
t
Rejet t1H0 t
X t  t  c   t

Estimation
HX0 acceModèle2
pXtée  c  
t t 1 t

Test H 0 :   si tˆ f C  H0 acceptée


0

Test de Student :C=0


(Seuils loi normale) Test H 20 : c,    0,0
Statistique F2 Seuil Fuller

Rejet H0 H0 accepée
Annexe Méthodologie de Box-

Rejet H0 H0 acceptée Rejet H0


H0 acceptée

Xt est I(0)+c Xt I(1)


Xt=  1X t 1  c   t Xt  c   t

Estimation Modèle1
X t  X t 1   t

Test H 0 :   0 si tˆ f C  H0 acceptée

H0 acceptée Rejet H0

Xt I(0) Xt I(1)
X t   1X t 1   t X t   t

Figure 2.1 : Résumé de la stratégie de test de Dickey-Fuller


Annexe Méthodologie de Box-

Les valeurs critiques de la constante de DF sont données par le tableau 2.1:


Tableau 2.1 : Valeurs critiques de la constante et de la tendance, tests de DF

N Modèle Modèle [3]


[2] Constante tendance
1% Constante 10% 1% 5% 10% 1% 5% 10%
5%
100 3.22 2.54 2.17 3.78 3.11 2.73 3.53 2.79 2.38
250 3.19 2.53 2.16 3.74 3.09 2.73 3.49 2.79 2.38
500 3.18 2.52 2.16 3.72 3.08 2.72 3.48 2.78 2.38
3.18 2.52 2.16 3.71 3.08 2.72 3.46 2.78 2.38

10. La méthodologie de Box et Jenkins (Bourbonnais, 1998)

10.1. Analyse préliminaire des données – (Stationnarisation)

Avant de commencer l’analyse, l’utilisateur doit s’informer sur le domaine d’où


relèvent les données, la réalité qu’elles recouvrent, leur qualité (leur précision, exactitude…
etc.…) et les objectifs poursuivis par l’organisme.

Dans l’analyse préliminaire, les options suivantes peuvent être prises :

 Transformer les données (transformation logarithmique, inverse, racine carrée, etc…)

 Corriger les données aberrantes.

Ou bien d’autres options selon l’objectif et la nature des données. Comme il faut se
ramener à un modèle ARMA stationnaire, on aura recours aussi aux transformations par
d’autres procédures :

 La transformation (1-LS) élimine une saisonnalité de période ‘S’, par exemple (1-L12)
est souvent utilisée pour les séries mensuelles à saisonnalité annuelle.

 L’opérateur ∆= (1-L) : élimine un polynôme tendanciel du 1er degré en ‘t’. De là, on


généralisera la formule par : ∆d =1-Ld

un trend polynomial de degré ‘d’ en ‘t’.

 Lorsque le processus Xt  ARMA (p,q), et on a : Yt =∆dXt


Annexe Méthodologie de Box-

Alors : Yt  ARIMA (p,d ,q).

Remarque : Il est généralement recommandé de comparer les variances ou les écarts


types des séries obtenues. Celle qui aura la plus petite variance conduit à la modélisation la
plus simple.

10.2. Identification

La phase de l’identification est la plus importante et la plus difficile : elle consiste à


déterminer le modèle adéquat dans sa famille des modèles ARIMA.

Elle est fondée sur l’étude des corrélogrammes simple et partiel. Voici quelques règles
simples pouvant faciliter la recherche des paramètres p, d et q du modèle ARIMA :

 Si le corrélogramme simple n’a que ses (q) premiers termes différents de zéro, et que
les termes de corrélogramme partiel diminuent lentement, il s’agit d’un MA (q).

 Si le corrélogramme partiel n’a que ses (p) premiers termes différents de zéro, et que
les termes de corrélogramme simple diminuent lentement, il s’agit d’un AR (p).

 Si les fonctions d’autocorrélation simple et partielle ne paraissent pas tronquées, il


s’agit alors d’un processus de type ARMA, dont les paramètres dépendent de la forme
particulière des corrélogrammes.

10.3. Estimation

La méthode d’estimation des paramètres du modèle identifié dépend du type de


processus diagnostiqué :

• Dans le cas d’un modèle AR(p), on peut appliquer la méthode des moindres carrés
ordinaire (MCO), pourvu que les résidus résultants soient non corrélés, on peut aussi exploiter
les équations de Yule-Walker.
Annexe Méthodologie de Box-

• L’estimation des paramètres d’un modèle MA(q) s’avère plus complexe, plusieurs
méthodes itératives ont été mises au point pour confronter cette complexité ; nous citons, à
titre d’exemple : la procédure itérative de type balayage, proposée par Box et Jenkins. Mais
cette méthode n’est applicable que si le nombre de paramètres à estimer n’est pas trop
important, en plus la plage de variation de ces paramètres (délimitée par les conditions de
stationnarité et d’inversibilité) est difficile à déterminer.

Cependant, il existe une procédure itérative à deux étapes pour l’estimation des (p+q)
paramètres du modèle ARMA(p, q) ses étapes sont les suivantes :

♦ Estimation initiale des paramètres du processus ARMA ( p, q)

Pour obtenir les estimateurs des paramètres autorégressifs, on résout le système de Yule-
Walker suivant :

Rˆ q1  1 ˆ rˆq 2 ˆ rˆq1  …  ˆp rˆq p1

Rˆ q2   ˆ ˆ ˆ
1 rˆq1 
2  rˆq  …   p rˆq p2

Rˆ q p  1ˆ rˆq p1  ˆ ˆ


2  rˆq p2  …   p rˆq

Pour estimer les paramètres moyennes mobiles, on utilise l’algorithme de Newton-


Raphson.

♦ Estimation finale

Une fois les estimations initiales obtenus, on utilise l’algorithme de Marquardt (qui est
une méthode d’estimation itérative pour la régression non linéaire pour obtenir les (p+q)
paramètres définitifs.

10.4. Validation

Une fois les paramètres du modèle estimé, nous examinons les résultats d’estimation.
Cet examen se fait par plusieurs tests qu’on classera en trois catégories.
Annexe Méthodologie de Box-

 Tests concernant les paramètres du modèle.

 Tests concernant les résidus.

 Tests de choix du modèle adéquat.

Tests concernant les paramètres

Une fois les paramètres estimés, il faudra vérifier s’ils sont tous significativement
différents de zéro. Pour cela on utilisera le test de Student.

♦ Test de Student.

Ce test se fait pour chacun des paramètres du processus ARMA en divisant le


paramètre par l’estimateur de son écart-type : on calcule alors la statistique de Student donnée
par la formule :

ˆp
tc =
 ̂ˆ p

Si un ou plusieurs paramètres ne sont pas significativement différents de zéro, le modèle


est alors rejeté, auquel cas, on retourne à l’étape de l’estimation en éliminant la variable dont
le coefficient n’est pas significatif.

On teste l’hypothèse nulle de processus ARMA (p-1, q) :(  P =0) contre l’hypothèse


alternative de processus ARMA (p,q) :(  P  0), avec d.d.l =(nombre d’observation –nombre
des paramètres estimés).

• Si t < t
c 1 / 2 , on accepte l’hypothèse nulle de processus ARMA (p-1,q).

• Si tc  t1 / 2 l’hypothèse nulle est rejetée et on retient un processus ARMA

(p,q).
Annexe Méthodologie de Box-

Tests concernant les résidus

Ces tests ont pour objet de vérifier que les résidus obtenus suivent bien un processus
de Bruit Blanc. Cela se fait à l’aide des tests suivants :

♦ Test de Box-Pierce : Ce test a pour objet de tester le caractère non autocorrélé des
résidus.

Nous devons donc identifier cov (Xt, Xt-h) =0 ou encore


 n =0 h .

Un processus Bruit Blanc implique que


1 =  2  …   K  0 .

Soit les hypothèses :

H 0 1   2  …   K  0
:

H1 : il existe au moins un i significativement différent de zéro.

La statistique de test est donnée par :

K
Q= n  k
2

k 1

Telle que : n : le nombre d’observations.

K : le nombre de retards.

: autocorrélation empirique d’ordre h.

La statistique Q suit une loi de Khi-deux à (k-p-q) degrés de liberté.

Nous rejetons donc l’hypothèse de bruit blanc au seuil si Q>  2 lu dans la table au seuil

(1- ).
Annexe Méthodologie de Box-

♦ Test de Box-Ljung : Ce test est à appliquer, de préférence au test de Box-Pierce,


lorsque l’échantillon est de petite taille. La distribution de la statistique du test de Box-Ljung
est en effet plus proche de celle du Khi-deux pour un petit échantillon que ne l’est celle du test
de Box-Pierce. Ce test utilise la statistique suivante :

2
Q=n(n+2) K
k1 nk

Sous l’hypothèse nulle d’absence d’autocorrélation :

H0 :
1   2  …   K  0

La statistique Q suit une loi de Khi-deux à (K-p-q) degrés de liberté.

♦ Test de d’hétéroscédasticité

On teste la nature «ARCH» d’un résidu.

Le test ARCH a été introduit par Engle (1982). Supposons que l’équation de la
moyenne soit décrite par un processus ARMA. On considère que la série Y t est générée par le
processus suivant :

  LX

t
  L

 2      2 L
tp

i t 1
 0 t 1

La première approche consiste à calculer le corrélogramme des résidus au carré issu du


modèle initial. Si des termes de ce corrélogramme sont significativement différents de zéro,
alors on peut conclure à une spécification de type ARCH. On utilise pour cela la statistique Q
de Box-Ljung. Ceci est corroboré par la statistique du multiplicateur de Lagrange (LM).

Soit l’hypothèse nulle à tester: H0 : 1   2  .........   p  0

contre l’hypothèse alternative: H1 : au moins un coefficient  i i  1... pest différent de 0.


Annexe Méthodologie de Box-

Le test est fondé soit sur un test de Fisher classique, soit sur le test de Multiplicateur de
Lagrange (LM), en pratique on procède de la manière suivante :

 1er Etape : calcul de  le résidu du modèle de régression (ou d’un modèle ARMA).
t

 2e Etape : calcul des  t2 .

 3e Etape : régression autorégressive des résidus sur p retards (résidu décalé) où seuls
p
les retards significatifs sont conservés,  t t  2

 t  h telle que h  
t 2
 i
i 1
ti .
0

 4e Etape : calcul de la statistique LM=nR2 avec :

n = le nombre d’observations servant au calcul de la régression de l’etape3.

R2= coefficient de détermination de l’etape3.

Si LM   2
 p  à p degrés de liberté lu dans la table à un seuil 0.05, on rejette H0.

♦ Test d’un modèle de type GARCH

Dans le cas d’une hétéroscédasticité conditionnelle supposée, on ne peut tester une


spécification de type ARCH que contre une spécification de type GARCH.

Le test sur l’hypothèse nulle H0 d’une erreur ARCH(p) contre l’hypothèse H1 d’une erreur
GARCH(p,q). On va donc tester l’hypothèse H0 que les  j
sont nuls.

H0 : j  0, j 1,…, q; contre l’hypothèse H1 : il existe au moins un 


non nul.
j

Si LM
nR2 f 2 alors on rejette l’hypothèse H0. Les erreurs obéissent à un
0.05 q

processus GARCH(p,q).
Annexe Méthodologie de Box-

R2 est le coefficient de détermination obtenu dans la régression par les MCO dans

l’équation :
h2   ˆ  
2 p
ˆ   
q
ˆ h2 .
t 0 i t j tj
i1 i j 1

Une condition nécessaire et suffisante de stationnarité du processus GARCH(p,q) s’écrit :

p q

 i    j p 1 .
i1 j 1

■ Test de normalité

Le test de Jarque-Bera (1984), fondé sur la notion de skewness (asymétrie) et kurtosis


(aplatissement), permet de vérifier la normalité d’une distance statique.

Test de Skewness et Kurtosis :

T k

Soient  ˆ  1   t    le moment empirique centré d’ordre k,


k 
n i1

le coefficient de Skewness  ˆ 12 
  , qui est égal à :
 1

 ˆ 12 ˆ

 = 3
 3

 1  ˆ 2
2

le coefficient de Kurtosis

ˆ
ˆ  ˆ 4
2
2

Si la distribution est normale et le nombre d’observation est grand (n>30) alors :

ˆ1 2  N 6  , etˆ  N  24 
1 0;  2 3; n 
 n 

1
On construit les statistiques : V1  ˆ
1 0
2
et V2  ˆ 2  3 , que l’on compare à 1.96
24
6 n
n
Annexe Méthodologie de Box-

(valeur de la loi normale au seuil de 5%).

Soient les hypothèses :

H0 : V1=0 (symétrie) et V2=0 (l’aplatissement)

H1 : V1≠0 ou V2≠0

On acceptera avec un risque 5% l’hypothèse H0 si V1<1.96 et V2<1.96, dans le cas


contraire l’hypothèse de normalité est rejetée.

Test de Jarque-Bera :
1
Il s’agit d’un test qui synthétise les résultats précédents, si  ˆ 2  et  obéissent à
 ˆ
1 2
 
des lois normales alors la quantité S : S 
n ˆ
 
n ˆ
    2

2 3 suit un Khi-deux à deux degrés


6 1 24
de liberté.

Donc si
S   12 2 on rejette l’hypothèse H0 de normalité des résidus au seuil .

Choix du modèle adéquat

Dans un premier temps, on repère plusieurs modèles qui représentent bien notre série.

Ensuite, on va choisir parmi ces modèles celui qui la représente le mieux. Ce choix se fait
à l’aide d’un certain nombre de critères, les plus utilisés sont :

● Critère du pouvoir prédictif : coefficient de détermination. Les critères les plus


classiques pour savoir si notre modèle est le meilleur ou non, sont le coefficient de
détermination R2 et le coefficient de détermination corrigée R 2 donnés respectivement par les
relations :
Annexe Méthodologie de Box-


2
t
R2 =
 
t2

t 2
et R 2  1  (N  1/ N  p 
  2
q) t


t
XtX  Xt  X

où :  t : le résidu d’estimation.

N : le nombre d’observations.

Dans de nombreux cas, on utilise R 2 puisqu’il permet de prendre en compte le nombre de


variables explicatives, c’est-à-dire, les retards (p) de l’AR et les retard (q) de MA. La
significativité de ces coefficients est testée à l’aide d’une statistique de Fisher.

● Critère d’information de Akaike (AIC). Présenté en 1973 parmi les tests


spécialement construits pour les processus ARMA, Akaike a démontré que le meilleur des
modèles ARMA non filtré est celui qui minimise la statistique :
 SCRh  2h
AIC (h) = Log 
 
 n  n

●Critère de Schawarz (1978). Le meilleur des modèles est celui qui minimise la
statistique :
 SCRh  hLogn
SC(h) = log 
 
 n  n

Avec :

SCRh : somme des carrés des résidus pour le modèle a h retards.

n : nombre d’observations disponibles.

Log : logarithme népérien.

■ Test de redondance

Après avoir estimé un modèle ARMA, on vérifie que les polynômes d’opérateur de la
partie AR et de la MA ne possèdent pas de racine commune au moyen de la méthode de
Newton Raphson. Lorsque c’est le cas, on dit qu’il y a redondance et les coefficients estimés
du modèle sont instables et peuvent conduire à des prévisions erronées.
Annexe Méthodologie de Box-

10.5. Prévision

La dernière étape de la modélisation ARMA est la prévision des valeurs futures d’une
série temporelle. Ces prévisions dépendent des observations disponibles à la date t,

Soit It=(X1, X2,….,Xt,  1 ,  2 ,…,  t ). L’espérance est ici prise au sens d’espérance
conditionnelle : elle présente la meilleure prévision de la série X conditionnellement à
l’ensemble d’information disponible. Dans le cas linéaire il s’agit d’une fonction de régression

Soit le modèle retenu ARMA (p,q) (on suppose en général la constante significative) :

 P L X t  C   L  t
q

On a donc pour l’horizon h :

Xth  1 Xth1 2 Xth2 …p Xth p    th 1th1 …pphq

X t h   E 1 xt h1   2 X t h2  …   p X t h p     t h  1 t h1  …   q  phq / X t , X t 1… 

 X t
EX j  
D’où : /X ,
X ,… si j0

tj
t t  ˆ  j  si jf 0
1
X
t

E  t  j si
/X ,
X ,…  j0
tj
t t 
1 si jf 0
 0

Il s’agit donc de
calculer Xˆ t h pour l’horizon h de prévision :

A) On remplace les valeur observées de Xt+j et  t j


ainsi que  p L  et  q L  , (j  0)

B) Si j>0, alors on calcule Xˆ t  j  en remplaçant les valeurs précédentes. Box et Jenkins

proposent une formulation en utilisant le principe que tout modèle ARMA (p, q) peut prendre
la forme d’un processus MA infini :
Annexe Méthodologie de Box-

 p L X t C   q L  t

X 
t
c
1
L   L   1 L 
 p q p t

On note
 L    L  1
P
q
X t     L      t   1 t 1   2  t  2  …
et t

  c 1
L
p d’où :

 L   q L 1L  L L   L


p

La valeur prévue à l’horizon h pour un modèle ARMA(p, q) est donnée par :

X ˆ t h      hr  tr
r0

L’erreur de prévision est donnée par :

e ˆ t h   X ˆ
t   X t h     thr
h

L’intervalle de prévision au seuil 5% est donnée par :

 h1 1/ 2

Xˆ t h  1.96 1   r 
2

 r 1 

11. Test de Khi-deux (Bourbonnais, 1998)

Soient Xi (i=1,….,N) observations disponibles d’écart type estimé ˆ et soient Cj

(j=1,..,k) k classe obtenue à partir de ces dernières observations, tel que : C j  N .

Notons P1,P2 ,…..,Pk les probabilités empiriques respectives des classes C1,C2 ,….,CK
X 2i I

f t dt  F t 2
x
telles que : P  ………..(2), avec X i  X i / ˆ et X i  X i / ˆ .
i  X1
I 1 inf 1 sup
X 1I
Annexe Méthodologie de Box-
D’où i
i et X sup sont les valeurs inférieures et supérieures de la classe Ci(i=1,…,k), et
X inf
F t  est la fonction de répartition de la loi normale centrée réduite.

Dans la lecture de la table de loi normale centrée réduite on obtient les valeurs F X 1i  et

F X2 i . En les remplaçant dans (2) on aura la valeur Pi(i=1,…,k). Donc le principe de test est
le suivant :

Une fois les Pi calculées, on doit s’assurer que ces dernières peuvent être calculées par une
2
k
loi normale. Cela on utilisant la distance donnée par : D   ni  NPi  / NPi  ou est le
i1
ni
cardinale de la classe Ci.

Déroulement du test :

Si D k2 0.05 alors H0 : Xi (i=1,…, N) suivent une loi normale de variance 2 , sinon
1

H1 : On rejette l’hypothèse que Xi suivent une loi normale.


Annexe 3

Tableau 3.1 : Valeurs tabulées du critère de Cochran , α=0.05 (Schimmerling et al., 1998)
N
2 3 4 5 6 7 8 10 12 15 20 30 60 120
2 0.999 0.967 0.907 0.841 0.781 0.727 0.680 0.602 0.541 0.471 0.389 0.293 0.174 0.099
3 0.975 0.871 0.768 0.684 0.616 0.561 0.516 0.445 0.392 0.335 0.271 0.198 0.113 0.063
4 0.939 0.798 0.684 0.598 0.532 0.480 0.438 0.373 0.326 0.276 0.221 0.159 0.089 0.049
5 0.906 0.746 0.629 0.544 0.480 0.431 0.391 0.331 0.288 0.242 0.192 0.138 0.076 0.042
6 0.877 0.707 0.590 0.507 0.445 0.397 0.360 0.303 0.262 0.220 0.174 0.124 0.068 0.037
7 0.853 0.677 0.560 0.478 0.418 0.373 0.336 0.282 0.244 0.203 0.160 0.114 0.062 0.033
m 8 0.833 0.653 0.537 0.456 0.398 0.354 0.319 0.267 0.230 0.191 0.150 0.106 0.058 0.031
9 0.816 0.633 0.518 0.439 0.382 0.338 0.304 0.254 0.219 0.182 0.142 0.100 0.055 0.029
10 0.801 0.617 0.502 0.424 0.368 0.326 0.293 0.244 0.210 0.174 0.136 0.096 0.052 0.028
15 0.749 0.561 0.450 0.377 0.325 0.286 0.256 0.211 0.181 0.149 0.116 0.081 0.043 0.023
20 0.716 0.529 0.420 0.350 0.300 0.264 0.235 0.194 0.165 0.135 0.105 0.073 0.039 0.020
30 0.678 0.491 0.387 0.320 0.273 0.238 0.212 0.174 0.148 0.121 0.093 0.064 0.034 0.018
40 0.654 0.469 0.367 0.302 0.257 0.224 0.199 0.163 0.138 0.112 0.086 0.059 0.031 0.016
50 0.638 0.454 0.354 0.290 0.247 0.215 0.190 0.155 0.131 0.107 0.082 0.056 0.029 0.015
100 0.598 0.418 0.322 0.262 0.222 0.192 0.170 0.138 0.116 0.094 0.071 0.049 0.025 0.013
145 0.581 0.403 0.309 0.251 0.212 0.183 0.162 0.131 0.110 0.089 0.068 0.046 0.023 0.012
 0.500 0.333 0.250 0.200 0.167 0.143 0.125 0.100 0.083 0.067 0.050 0.033 0.017 0.008

Tableau 3.2 : Valeurs tabulées du critère de Grubbs (Baléo et al., 2003)

Valeurs critiques
n Seuil 1% Seuil 5%
3 1.155 1.155
4 1.496 1.481
5 1.764 1.715
6 1.973 1.887
8 2.274 2.126
10 2.482 2.290
15 2.806 2.549
20 3.001 2.709
30 3.236 2.908
40 3.381 3.036
Annexe 3

Tableau 3.3 : Valeurs tabulées du critère de Student (Schimmerling et al., 1998)


P
0.60 0.70 0.80 0.90 0.95 0.975 0.990 0.995 0.999 0.9995
1 0.325 0.727 1.376 3.078 6.314 12.71 31.82 63.66 318.3 636.6
2 0.289 0.617 1.061 1.886 2.920 4.303 6.965 9.925 22.33 31.60
3 0.277 0.584 0.978 1.638 2.353 3.182 4.541 5.841 10.22 12.94
4 0.271 0.569 0.941 1.533 2.132 2.776 3.747 4.604 7.173 8.610
5 0.267 0.559 0.920 1.476 2.015 2.571 3.365 4.032 5.893 6.859
6 0.265 0.553 0.906 1.440 1.943 2.447 3.143 3.707 5.208 5.959
7 0.263 0.549 0.896 1.415 1.895 2.365 2.998 3.499 4.785 5.405
8 0.262 0.546 0.889 1.397 1.860 2.306 2.896 3.355 4.501 5.041
9 0.261 0.543 0.883 1.383 1.833 2.262 2.821 3.250 4.297 4.781
10 0.260 0.542 0.879 1.372 1.812 2.228 2.764 3.169 4.144 4.587
11 0.260 0.540 0.876 1.363 1.796 2.201 2.718 3.106 4.025 4.437
12 0.259 0.539 0.873 1.356 1.782 2.179 2.681 3.055 3.930 4.318
13 0.259 0.538 0.870 1.350 1.771 2.160 2.650 3.012 3.852 4.221
14 0.258 0.537 0.868 1.345 1.761 2.145 2.624 2.977 3.787 4.140
15 0.258 0.536 0.866 1.341 1.753 2.131 2.602 2.947 3.733 4.073
16 0.258 0.535 0.865 1.337 1.746 2.120 2.583 2.921 3.686 4.015
17 0.257 0.534 0.863 1.333 1.740 2.110 2.567 2.898 3.646 3.965
18 0.257 0.534 0.862 1.330 1.734 2.101 2.552 2.878 3.611 3.922
19 0.257 0.533 0.861 1.328 1.729 2.093 2.539 2.861 3.579 3.883
20 0.257 0.533 0.860 1.325 1.725 2.086 2.528 2.845 3.552 3.850
21 0.257 0.532 0.859 1.323 1.721 2.080 2.518 2.831 3.527 3.819
22 0.256 0.532 0.858 1.321 1.717 2.074 2.508 2.819 3.505 3.792
υ
23 0.256 0.532 0.858 1.319 1.714 2.069 2.500 2.807 3.485 3.767
24 0.256 0.531 0.857 1.318 1.711 2.064 2.492 2.797 3.467 3.745
25 0.256 0.531 0.856 1.316 1.708 2.060 2.485 2.787 3.450 3.725
26 0.256 0.531 0.856 1.315 1.706 2.056 2.479 2.779 3.435 3.707
27 0.256 0.531 0.855 1.314 1.703 2.052 2.473 2.771 3.421 3.690
28 0.256 0.530 0.855 1.313 1.701 2.048 2.467 2.763 3.408 3.674
29 0.256 0.530 0.854 1.311 1.699 2.045 2.462 2.756 3.396 3.659
30 0.256 0.530 0.854 1.310 1.697 2.042 2.457 2.750 3.385 3.646
32 0.256 0.530 0.853 1.309 1.694 2.037 2.449 2.738 3.365 3.622
34 0.255 0.529 0.852 1.307 1.691 2.032 2.441 2.728 3.348 3.601
36 0.255 0.529 0.852 1.306 1.688 2.028 2.434 2.719 3.333 3.582
38 0.255 0.529 0.851 1.304 1.686 2.024 2.429 2.712 3.319 3.566
40 0.255 0.529 0.851 1.303 1.684 2.021 2.423 2.704 3.307 3.551
50 0.255 0.528 0.849 1.298 1.676 2.009 2.403 2.678 3.261 3.496
60 0.254 0.527 0.848 1.296 1.671 2.000 2.390 2.660 3.232 3.460
70 0.254 0.527 0.847 1.294 1.667 1.994 2.381 2.648 3.211 3.435
80 0.254 0.527 0.846 1.292 1.664 1.990 2.374 2.639 3.195 3.415
90 0.254 0.526 0.846 1.291 1.662 1.987 2.368 2.632 3.183 3.402
100 0.254 0.526 0.845 1.290 1.660 1.984 2.365 2.626 3.174 3.389
200 0.254 0.525 0.843 1.286 1.653 1.972 2.345 2.601 3.131 3.339
500 0.253 0.525 0.842 1.283 1.648 1.965 2.334 2.586 3.106 3.310
 0.253 0.524 0.842 1.282 1.645 1.960 2.326 2.576 3.090 3.291
Annexe 3

Tableau 3.4 : Valeurs tabulées du critère de Fisher, α=0.05 (Schimmerling et al., 1998)

υ1
1 2 3 4 5 6 7 8 9 10 12 14
1 161 200 216 225 230 234 237 239 241 242 244 245
2 18.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4 19.4 19.4
3 10.1 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.74 8.71
4 7.71 6.94 6.59 6.39 6.26 6.16. 6.09 6.04 6.00 5.96 5.91 5.87
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.64
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.96
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.53
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.24
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.03
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.86
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.74
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.64
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.60 2.55
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.48
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.42
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.37
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.33
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.29
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.26
υ2 20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.22
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.25 2.20
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.23 2.17
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.20 2.15
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.18 2.13
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.16 2.11
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2 .22 2.15 2.09
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.13 2.08
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.12 2.06
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.10 2.05
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.04
32 4.15 3.29 2.90 2.67 2.51 2.40 2.31 2.24 2.19 2.14 2.07 2.01
34 4.13 3.28 2.88 2.65 2.49 2.38 2.29 2.23 2.17 2.12 2.05 1.99
36 4.11 3.26 2.87 2.63 2.48 236 2.28 2.21 2.15 2.11 2.03 1.98
38 4.10 3.24 2.85 2.62 2.46 2.35 2.26 2.19 2.14 2.09 2.02 1.96
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2 .18 2.12 2.08 2.00 1.95
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03 1.95 1.89
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.86
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.02 1.97 1.89 1.84
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06 2.00 1.95 1.88 1.82
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04 2.99 1.94 1.86 1.80
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03 1.97 1.93 1.85 1.79
∞ 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1 .75 1.69
Annexe 3
υ1
16 18 20 22 24 26 28 30 40 60 100 ∞
1 246 247 248 249 249 249 250 250 251 252 253 254
2 19.4 19.4 19.4 19.5 19.5 19.5 19.5 19.5 19.5 19.5 19.5 19.5
3 8.69 8.67 8.66 8.65 8.64 8.63 8.62 8.62 8.59 8.57 8.55 8.53
4 5.84 5.82 5.80 5.79 5.77 5.76 5.75 5.75 5.72 5.69 5.66 5.63
5 4.60 4.58 4.56 4.54 4.53 4.52 4.50 4.50 4.46 4.43 4.41 4.37
6 3.92 3.90 3.87 3.86 3.84 3.83 3.82 3.81 3.77 3.74 3.71 3.67
7 3.49 3.47 3.44 3.43 3.41 3.40 3.39 3.38 3.34 3.30 3.27 3.23
8 3.20 3.17 3.15 3.13 3.12 3.10 3.09 3.08 3.04 3.01 2.97 2.93
9 2.99 2.96 2.94 2.92 2.90 2.89 2.87 2.86 2.83 2.79 2.76 2.71
10 2.83 2.80 2.77 2.75 2.74 2.72 2.71 2.70 2.66 2.62 2.59 2.54
11 2.70 2.67 2.65 2.63 2.61 2.59 2.58 2.57 2.53 2.49 2.46 2.40
12 2.60 2.57 2.54 2.52 2.51 2.49 2.48 2.47 2.43 2.38 2.35 2.30
13 2.51 2.48 2.46 2.44 2.42 2.41 2.39 2.38 2.34 2.30 2.26 2.21
14 2.44 2.41 2.39 2.37 2.35 2.33 2.32 2.31 2.27 2.22 2.19 2.13
15 2.38 2.35 2.33 2.31 2.29 2.27 2.26 2.25 2.20 2.16 2.12 2.07
16 2.33 2.30 2.28 2.25 2.24 2.22 2.21 2.19 2.15 2.11 2.07 2.01
17 2.29 2.26 2.23 2.21 2.19 2.17 2.16 2.15 2.10 2.06 2.02 1.96
18 2.25 2.22 2.19 2.17 2.15 2.13 2.12 2.11 2.06 2.02 1.98 1.92
19 2.21 2.18 2.16 2.13 2.11 2.10 2.08 2.07 2.03 1.98 1.94 1.88
υ2 20 2.18 2.15 2.12 2.10 2.08 2.07 2.05 2.04 1.99 1.95 1.91 1.84
21 2.16 2.12 2.10 2.07 2.05 2.04 2.02 2.01 1.96 1.92 1.88 1.81
22 2.13 2.10 2.07 2.05 2.03 2.01 2.00 1.98 1.94 1.89 1.85 1.78
23 2.11 2.07 2.05 2.02 2.00 1.99 1.97 1.96 1.91 1.86 1.82 1.76
24 2.09 2.05 2.03 2.00 1.98 1.97 1.95 1.94 1.89 1.84 1.80 1.73
25 2.07 2.04 2.01 1.98 1.96 1.95 1.93 1.92 1.87 1.82 1.78 1.71
26 2.05 2.02 1.99 1.97 1.95 1.93 1.91 1.90 1.85 1.80 1.76 1.69
27 2.04 2.00 1.97 1.95 1.93 1.91 1.90 1.88 1.84 1.79 1.74 1.67
28 2.02 1.99 1.96 1.93 1.91 1.90 1.88 1.87 1.82 1.77 1.73 1.65
29 2.01 1.97 1.94 1.92 1.90 1.88 1.87 1.85 1.81 1.75 1.71 1.64
30 1.99 1.96 1.93 1.91 1.89 1.87 1.85 1.84 1.79 1.74 1.70 1.62
32 1.97 1.94 1.91 1.88 1.86 1.85 1.83 1.82 1.77 1.71 1.67 1.59
34 1.95 1.92 1.89 1.86 1.84 1.82 1.80 1.80 1.75 1.69 1.65 1.57
36 1.93 1.90 1.87 1.85 1.82 1.81 1.79 1.78 1.73 1.67 1.62 1.55
38 1.92 1.88 1.85 1.83 1.81 1.79 1.77 1.76 1.71 1.65 1.61 1.53
40 1.90 1.87 1.84 1.81 1.79 1.77 1.76 1.74 1.69 1.64 1.59 1.51
50 1.85 1.81 1.78 1.76 1.74 1.72 1.70 1.69 1.63 1.58 1.52 1.44
60 1.82 1.78 1.75 1.72 1.70 1.68 1.66 1.65 1.59 1.53 1.48 1.39
70 1.79 1.75 1.72 1.70 1.67 1.65 1.64 1.62 1.57 1.50 1.45 1.35
80 1.77 1.73 1.70 1.68 1.65 1.63 1.62 1.60 1.54 1.48 1.43 1.32
90 1.76 1.72 1.69 1.66 1.64 1.62 1.60 1.59 1.53 1.46 1.41 1.30
100 1.75 1.71 1.68 1.65 1.63 1.61 1.59 1.57 1.52 1.45 1.39 1.28
∞ 1.64 1.60 1.57 1.54 1.52 1.50 1.48 1.46 1.39 1.32 1.24 1.00
Annexe Matériels

Matériel utilisé

Etuve à air statique modèle Heraeus.

Etuve avec ventilation d’air modèle Melag.

Micro-onde LG Grill.

Balance analytique Sartarius.

Pastilleuse Franco Gabbrielli Technology.

Colorimètre CM-2500d Minolta.

Lyophilisateur Telstar Gryoclos.

Mixer Microtron MB 550.

Matériel courrant du laboratoire.t

Logiciels utilisés :

Excel 2003

Eviews 4.0

SPSS 8.0
Annexe 5

Tableau 5.1: Matrice des expériences des paramètres L*, a*, b* des dattes séchées par convection

N X0 X1 X2 X3 X4
L*moy *
a moy *
bmoy

1 + - - - - 74.02 5.72 24.85


2 + + - - - 75.97 4.77 23.30
3 + - + - - 79.18 4.32 22.68
4 + + + - - 76.07 4.97 23.93
5 + - - + - 75.85 5.03 23.46
6 + + - + - 75.31 5.35 24.03
7 + - + + - 72.86 6.15 24.34
8 + + + + - 73.16 6.62 24.72
9 + - - - + 72.94 6.02 26.33
10 + + - - + 75.08 5.30 23.82
11 + - + - + 76.03 5.63 23.79
12 + + + - + 76.93 5.15 23.75
13 + - - + + 76.19 4.39 22.95
14 + + - + + 75.94 5.23 22.50
15 + - + + + 74.68 5.49 24.27
16 + + + + + 73.87 6.66 25.66

Niveau- 55 15 1/16 5
(°C) (min) (g)
Niveau+ 85 60 1/2 50
(°C) (min) (g)

Tableau 5.2: Matrice des expériences des paramètres L*, a*, b* des dattes séchées au micro-onde

N X0 X1 X2 X3 X4
L*moy *
a moy b*moy

1 + - - - - 66.00 7.35 25.69


2 + + - - - 66.9 7.48 25.76
3 + - + - - 66.50 7.38 26.16
4 + + + - - 53.00 9.85 23.69
5 + - - + - 65.66 6.56 26.27
6 + + - + - 53.48 10.94 25.72
7 + - + + - 63.57 7.78 24.47
8 + + + + - 27.93 4.58 8.34
9 + - - - + 66.00 7.56 27.02
10 + + - - + 64.67 8.45 26.94
11 + - + - + 64.66 8.18 28.2
12 + + + - + 67.64 8.1 26.39
13 + - - + + 62.77 8.81 27.77
14 + + - + + 62.89 7.98 24.75
15 + - + + + 61.80 8.44 26.21
16 + + + + + 64.06 8.70 24.81
160 30 1/16 5
Niveau- (w) (sec) (g)
Niveau+ 480 60 1/2 50
(w) (sec) (g)

Vous aimerez peut-être aussi